物理信息标记变换器
该论文提出了一种基于创新的位置注意机制构建的位置诱导变压器 (PiT),相比经典的自注意力,PiT 在算子学习中表现出显著优势,并且在各种复杂算子学习任务和不同的偏微分方程基准测试中,PiT 在当前最先进的神经算子方法中展现出卓越性能。
May, 2024
我们提出了一种名为 DiTTO 的算子学习方法来连续地解决时间相关的偏微分方程,该方法通过将受扩散模型启发的框架与 Transformer 架构相结合,实现了在多个维度上的各种 PDEs 的准确解决,并通过使用扩散模型中的快速采样概念进一步提高了性能,并展示了 DiTTO 可以在时间上精确执行零短片超分辨率。
Jul, 2023
神经算子学习模型被证实为部分微分方程在各种应用中的高效代理方法,本文通过建立理论基础将变压器作为算子学习模型实现通用逼近性,并应用于预测具有不同初始条件和强迫项的有限正则性动力学系统的解。
May, 2024
使用 Transformer 神经网络结构学习物理系统的动力学,混合了卷积自编码器学习的空间模式。模型在预测 Navier-Stokes 方程的时间演化方面取得了与 Fourier Neural Operator(FNO)和 OFormer、Galerkin Transformer 两种基于 Transformer 的神经算子相当或更好的结果。
Nov, 2023
本研究提出了一种基于噪声感知的物理信息机器学习框架以及基于离散傅里叶变换的去噪物理信息神经网络,用于通过数据发现物理系统的偏微分方程, 并在五个标准偏微分方程上进行实验证明了该方法的鲁棒性和可解释性。
Jun, 2022
本文提出了一种新颖的基于物理信息的神经网络框架,用于解决时间依赖偏微分方程,利用离散余弦变换对空间频率进行编码,再利用循环神经网络处理时间演化,从而实现对问题的时空动态的潜在表达,提高了物理相关模型的效率和灵活性,并在 Navier-Stokes 方程的 Taylor-Green 涡旋解上实现了最先进的性能。
Feb, 2022
本文介绍了如何通过 Tensor Neural Networks 来解决 Partial Differential Equations 的问题,实现了与 Deep Neural Network 同样精度的情况下更小的参数及更快的训练速度,并以 Black-Scholes-Barenblatt equation 模型为例进行了测试验证。
Aug, 2022
通过测试传统 PINN 方法的表达能力,本论文提出了一种分布式 PINN(DPINN),并与原方法进行了对比,试图直接使用物理信息神经网络来解决非线性偏微分方程及二维稳态 Navier-Stokes 方程。
Jul, 2019
本篇论文探讨了 PINN 作为线性求解器的潜力,在 Poisson 方程中评估了不同参数下的表现和精度,并且阐述了传递学习的关键作用。同时,论文也提出了将 PINN 与传统线性求解器相结合的方法,以解决高频解的问题,并表明该混合策略在发展具有潜力的新型线性求解器方面具有前景。
Mar, 2021