May, 2023

用于求解偏微分方程的 Deep Galerkin 和 PINNs 方法的全局收敛性

PDF
TL;DR此研究论文探讨了如何利用深度学习的方法解决高维偏微分方程的问题，并证明了 Deep Galerkin Method 和 Physics Informed Neural Networks 神经网络逼近器的全局收敛性，随着隐藏单元数的增加，这些神经网络收敛于一个无限维线性常微分方程的解。
发现论文，激发创造
  • DGM：一种用于解决偏微分方程的深度学习算法

    提出了一种名为 Deep Galerkin Method（DGM）的算法，它使用深度神经网络来解决高维偏微分方程问题。相较于形成网格，该算法不依赖于网格，而是通过对随机采样的时间和空间点的批量训练来实现。它在一类高维自由边界的偏微分方程、高维哈密顿 - 雅各比 - 贝尔曼（Hamilton-Jacobi-Bellman）偏微分方程和 Burgers 方程上得到了测试，并且在高维空间中能够准确地近似各种边界条件和物理条件下的 Burgers 方程的一般解。此外，论文还证明了神经网络在一类拟线性抛物型偏微分方程上的逼近能力。

    Aug, 2017

  • 关于物理信息神经网络在线性二阶椭圆型和抛物型偏微分方程中的收敛性

    该论文介绍了新型 PINNs 的理论和实践研究，证明了其在解决偏微分方程方面的有效性和可靠性。

    Apr, 2020

  • 解决双曲型偏微分方程的深度学习框架：第一部分

    开发了一种基于物理信息的深度学习框架，用于近似解非线性偏微分方程，可以在不预先了解解的性质或不连续点的位置的情况下发展出震荡或不连续的解。

    Jul, 2023

  • 物理信息图神经 Galerkin 网络：求解 PDE 控制的正向和反向问题的统一框架

    本研究介绍了一种新型离散 PINN 框架，基于图卷积网络和 PDE 的变分结构，能够在前向和反向设置中严格施加边界条件和吸收稀疏数据，适用于处理不规则几何形状和非结构化网格等应用领域。

    Jul, 2021

  • 用模型集成改进物理知识神经网络的训练

    该论文提出了使用集成的物理信息神经网络 (PINN) 来解决解偏微分方程 (PDEs) 的问题，通过逐步扩展解决方案间隔以及结合 PINN 模型集中观察点的解决方案的一致性来稳定 PINN 的培训，并使结果明显优于目前存在的时间自适应策略的 PINN 算法。

    Apr, 2022

  • 高维随机偏微分方程深度神经网络代理

    利用深度学习方法解决高维随机偏微分方程的问题。通过使用全连接深度残差网络来逼近随机偏微分方程，在确定逼近深度神经网络的参数时，采用了 SGD 的变种，并在扩散和热传导问题上得到了验证。

    Jun, 2018

  • 利用物理知识驱动的神经网络解决维度灾难

    开发了一种名为 Stochastic Dimension Gradient Descent (SDGD) 的新方法，用于扩展物理信息神经网络（PINNs）以解决任意高维 PDEs，并理论上证明了其收敛性和其他所需属性。

    Jul, 2023

  • 基于物理知识的神经网络框架用于障碍相关方程建模

    本文探索使用 PINNs 求解障碍相关的偏微分方程，通过多种场景对线性和非线性、规则和不规则障碍下的 PDE 进行求解，表现良好。

    Apr, 2023

  • 基于物理信息的图卷积网络：面向复杂几何结构的通用框架

    通过结合经典数值解法和物理感知框架的方法，本研究在三维非规则几何体上测试了基于图神经网络的解决偏微分方程问题的可行性。

    Oct, 2023

  • 基于物理推导的 GraphSAGE 方法用于偏微分方程描述的物理过程模拟

    本研究提出了一种基于 Galerkin 方法和分段多项式节点基础函数的物理驱动 GraphSAGE 方法（PD-GraphSAGE），用于解决由不规则 PDEs 控制的计算问题并开发参数化 PDE 代理模型。该方法采用物理域的图表示，从而减少了由于局部细化而对评估点的需求。通过几个案例验证了该方法的优点。此外，我们成功建立了由高斯随机场源参数化的热传导问题的稳健 PDE 代理模型，该模型不仅提供了准确的解决方案，而且在我们的实验中比有限元法快数倍。

    Mar, 2024