使用神经场进行算子学习:解决一般几何图形下的偏微分方程
本研究使用图神经网络和频谱图卷积设计了两种不同的时间独立偏微分方程的解算符,并使用多种形状和不均匀性的有限元素求解器的模拟数据对网络进行训练,结果发现训练不同的数据集在所有情况下都是实现良好的技术并获得广泛应用的关键。
Jun, 2022
通过将偏微分方程转化为边界积分方程,我们提出了一种新颖的物理信息神经算子方法,可在没有标记数据的情况下解决参数化边界值问题,并且能够处理无界问题。
Aug, 2023
该论文提出了一种新的神经算子,通过直接在傅里叶空间中参数化积分核,实现了对偏微分方程的求解,并在 Burgers' equation、Darcy 流和 Navier-Stokes 方程等测试中展现了高准确率和比传统方法高三个数量级的速度。
Oct, 2020
本文提出了一种新的物理约束 CNN 学习架构,用于处理非均匀的边界条件和不规则的几何形状,通过椭圆坐标映射和卷积神经网络,该方法在解决参数化 PDE 时比 FC-NN PINN 具有更高的准确性和效率。
Apr, 2020
本论文提出了基于深度学习的 Fourier 神经算子 (FNO) 的新框架 - geo-FNO, 用于求解偏微分方程,并可在任意几何图形上工作。该方法利用深度学习降噪算法,将不规则的物理空间映射到一个均匀的潜空间中,再应用 FNO 模型来求解偏微分方程。geo-FNO 比传统的数值求解方法快 $10^5$ 倍,比其它机器学习算法(如 FNO)的直接插值更准确。
Jul, 2022
通过可微分同胚神经运算符学习框架,提出了一种面向具有不同和复杂领域的物理系统的域灵活模型的方法,实现神经运算符在不同领域中的强大学习能力和鲁棒的概化。
Feb, 2024
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
本文提出了一种新型的混合反向问题复合框架,将深度神经网络的高表现力与现有偏微分方程数值算法相结合,通过语义自编码器的自定义层,将计算数学、机器学习和模式识别技术融合在一起,实现了域特定知识和物理约束的综合应用,解决了大量数据中的未知字段这个问题,称之为混合反向 PDE 网络 (BiPDE 网络),并在一维和二维空间中的泊松问题中,以及一维的时间依赖和非线性 Burgers 方程中,应用和证明了其可行性和噪声鲁棒性。
Jan, 2020