SHoP：用于求解高阶偏微分方程的深度学习框架

May, 2023

SHoP：用于求解高阶偏微分方程的深度学习框架

SHoP: A Deep Learning Framework for Solving High-order Partial Differential Equations

Tingxiong Xiao, Runzhao Yang, Yuxiao Cheng, Jinli Suo, Qionghai Dai

TL;DR本文提出了一种名为 SHoP 的深度学习框架，通过推导神经网络的高阶导数规则和将网络扩展为泰勒级数，实现了高阶偏微分方程的快速准确求解，并通过实验验证了其有效性。

Abstract

Solving partial differential equations (PDEs) has been a fundamental problem in computational science and of wide applications for both scientific and engineering research. Due to its universal approximation property, neural network is widely used to approximate the solutions of PDEs.

partial differential equations neural network high-order derivatives deep learning framework taylor series

发现论文，激发创造

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

使用深度学习求解高维偏微分方程

通过使用神经网络逼近未知解的梯度来解决高维偏微分方程，该算法在包括非线性 Black-Scholes 方程、Hamilton-Jacobi-Bellman 方程和 Allen-Cahn 方程等方程上均取得了精确和低误差的结果。

Jul, 2017

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

高维完全非线性偏微分方程和二阶反向随机微分方程的机器学习逼近算法

本文介绍一种新的用于解决高维金融模型中的非线性偏微分方程的方法，该方法包含非线性现象、深度神经网络和随机梯度下降类型优化过程，并通过海量数据的数值结果证明了该方法的高效性和精确性。

Sep, 2017

高维偏微分方程的解算子的近似

我们提出了一种基于有限维控制的方法来近似解决高维演化型偏微分方程的解算符。通过使用通用的降阶模型，例如深度神经网络，我们将模型参数的演化与相应函数空间中的轨迹连接起来。利用神经常微分方程的计算技术，我们学习参数空间上的控制，从而使受控轨迹与 PDE 的解非常接近。对于一类二阶非线性 PDE，我们验证了近似精确度。对几个高维 PDE，包括解决 Hamilton-Jacobi-Bellman 方程的真实应用，我们展示了所提方法的准确性和效率。

Jan, 2024

基于深度学习的高维抛物型偏微分方程和反向随机微分方程数值解法

该论文提出了一种基于强化学习和神经网络的算法用于解决高维情况下的偏微分方程和反向随机微分方程等数学问题，并在物理和金融学领域的各种非线性情况下进行了测试和优化。

Jun, 2017

偏微分方程与深度神经网络的结合：综述

本文对深度神经网络用于偏微分方程 (PDEs) 求解的现状和潜在应用进行了综述，分析和分类了相关方法在科学研究和工程场景中的应用，介绍了这一领域的来源、历史、特点、类型以及未来趋势。

Oct, 2022

解决偏微分方程的快速分辨率无关的神经技术

本文综述了传统的 PDE 数值逼近方法以及近期的基于机器学习的方法，重点介绍了以神经算子为中心的关键构架，这是一种学习 PDE 解算子的新方法，与传统方法相比具有 1000 倍的计算速度优势，这些新的计算方法可以在解决许多基础和应用物理问题方面带来巨大优势。

Jan, 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

一种基于极限学习机的高维计算 PDEs 方法

我们提出了两种基于随机神经网络解决高维偏微分方程 (PDE) 的有效方法。通过对这种类型网络的普适逼近性质的激励，这两种方法都将极限学习机 (ELM) 方法从低维扩展到高维。第一种方法中，$d$ 维度下未知解域由随机前向神经网络表示，其中隐藏层参数随机分配并固定，而输出层参数进行训练。PDE、边界 / 初值条件以及连续性条件 (对于方法的局部变量) 被施加在一组随机内部 / 边界对应点上。通过最小二乘解决其结果线性或非线性代数系统，从而得到网络参数的训练值。第二种方法通过一个基于近似理论的被约束表达式重新描述高维 PDE 问题，避免了随着维度增加而引发的 TFC 项数量的指数级增长。约束表达式中的自由域函数由随机神经网络表示，并通过类似于第一种方法的过程进行训练。我们进行了大量数值模拟，针对多个高维线性 / 非线性静态 / 动态 PDE，以展示这些方法的性能。与基于物理知识的神经网络 (PINN) 方法相比，当前方法在高维 PDEs 上既具有成本效益，又更准确。

Sep, 2023