Jun, 2023

神经理想大涡模拟：用神经随机微分方程建模湍流

PDF
TL;DR本文提出了一种基于数据打造的学习框架，将理想大涡模拟和神经随机微分方程相结合，应用在一种具有挑战性的混沌动力学系统 —— 雷诺数为 20000 的 Kolmogorov 流上，与其他方法相比，我们的 niLES 方法可以无缝处理非均匀几何结构，并可以处理更精确的统计数据和增强稳定性，特别是在长时间内的结果上.
发现论文，激发创造
  • 如何从三分钟数据中学习和泛化：物理约束和不确定性感知的神经随机微分方程

    本文提出了一种使用神经随机微分方程学习控制动力学模型的框架和算法，能够构建模型预测控制算法以及模型基的增强学习领域中的仿真器，在模拟机器人系统中得到良好的应用。

    Jun, 2023

  • 神经随机微分方程作为无限维生成对抗网络

    本文介绍了一种将传统经典方法与神经随机微分方程（SDEs）相结合的方法，作为连续生成时间序列模型，无需预设统计或密度功能即可适应任意漂移和扩散，其输入噪声为布朗运动，输出样本是由数值求解器产生的，可用于机器学习中的时间序列建模。

    Feb, 2021

  • 分析非规则时间序列数据的稳定神经随机微分方程

    在处理真实世界的不规则时间序列数据中，由于不连续的采样间隔和缺失值，神经随机微分方程（Neural SDEs）的良好性能依赖于漂移和扩散函数的巧妙选择，本研究通过提出三个稳定的 Neural SDE 类别： Langevin 型 SDE、线性噪声 SDE 和几何 SDE，并通过广泛的实验验证了这些方法在分布转移和不同缺失率下的鲁棒性，展示了该方法在处理真实世界不规则时间序列数据中的有效性。

    Feb, 2024

  • 可微湍流

    利用可微分湍流解算器与受物理启发的深度学习架构的组合，学习出极为有效且多功能的二维湍流流动的亚网尺度模型；通过研究所选择的架构的归纳偏差分析，发现包含小尺度非局部特征对于效果良好的亚网尺度建模至关重要，而大尺度特征可以提高后验解场的点位准确性；通过分解输入与输出为各向同性、去除偏差以及反对称分量，将滤波速度梯度张量直接映射到亚网尺度应力。同时，验证模型可应用于多种不同流动配置，包括更高和更低雷诺数以及不同的施加条件。实验证明可微分物理的范例比离线的先验学习更加成功，并且深度学习的混合解算器循环方法在计算效率、准确性和泛化性方面提供了理想的平衡。该研究为基于物理的湍流智能感知方法提供了推荐建议。

    Jul, 2023

  • 基于神经随机微分方程的稳健定价和对冲

    本文提出了一种结合神经网络和基于随机微分方程的经典风险模型的模型 —— 神经 SDE 模型，该模型可以根据市场数据进行一致性校准，并用于模拟市场场景以评估风险和对冲策略。

    Jul, 2020

  • 神经随机微分方程：用随机噪声稳定神经常微分方程网络

    本研究介绍了一种新型连续神经网络框架 Neural SDE，该框架自然地融合了基于随机噪声注入的各种常用正则化机制，可用于输入干扰和非对抗性扰动的鲁棒建模，并可实现更好的泛化性能和对抗性强化训练。

    Jun, 2019

  • 神经拉普拉斯以学习随机微分方程

    Neural Laplace 是学习不同类别的常微分方程的统一框架，但是许多系统无法用 ODE 建模，这篇论文将重点讨论 Neural Laplace 在学习不同类别的随机微分方程（SDE）的潜在应用。

    Jun, 2024

  • 随机潜在变换器：随机强迫区域性涡旋的高效建模

    引入了 “随机潜在转换器”，这是一种用于随机偏微分方程（SPDE）高效减维建模的概率深度学习方法。通过将具有随机驱动的流体力学建模应用于研究已深入的纬向气流系统，展示了该神经网络相较于数值积分实现了 5 个数量级的加速，从而实现了成本效益较高的大集合生成，进而探索关于自发转变事件概率的统计问题。

    Oct, 2023

  • 准确深度学习子网格尺度模型用于大涡模拟

    我们提出了两个用于大涡模拟（LES）目的开发的次网格尺度（SGS）湍流模型家族。这些模型的发展需要以物理为基础的强大且高效的深度学习（DL）算法，与最先进的分析建模技术不同，该算法能够产生输入和输出之间的高阶复杂非线性关系。

    Jul, 2023

  • 神经随机微分方程：扩散极限下的深度潜在高斯模型

    本文研究了深度潜变高斯模型中的神经 SDEs，并采用随机流理论基于维纳空间开发出一种变分推理框架，利用黑盒 SDE 求解器和自动微分进行端到端推理。

    May, 2019