Jul, 2023

从部分观测状态学习时空连续神经偏微分方程

PDF
TL;DR我们介绍了一种新颖的网格无关模型，用于从具有噪声和部分观测的不规则时空网格中学习偏微分方程。我们提出了一种空时连续潜在神经偏微分方程模型，具有高效的概率框架和新颖的编码器设计，以提高数据效率和网格独立性。潜在状态动态由一个将格点法和线法结合的偏微分方程模型来控制。我们采用分摊变分推断进行近似后验估计，并利用多射击技术来提高训练速度和稳定性。我们的模型在复杂的合成和真实世界数据集上展示了最先进的性能，克服了以前方法的局限，有效处理部分观测数据。该模型优于最近的方法，显示了推进数据驱动的偏微分方程建模的潜力，并能够对复杂的部分观测动态过程进行稳健、网格无关的建模。
发现论文，激发创造
  • 从有限数据中利用物理编码学习发现非线性偏微分方程

    本文提出一种新的基于物理编码离散学习框架，用于从稀缺且有噪声的数据中发现时空偏微分方程，通过引入基于深度卷积 - 循环网络进行先前的物理知识编码，并利用重构数据的稀疏回归来识别控制 PDEs 的显式形式。作者在三个非线性 PDE 系统上进行了验证，展示了该方法的有效性和优越性。

    Jan, 2022

  • 使用隐式神经表示预测连续偏微分方程动态

    提出了一种新的数据驱动方法 DINo 来模拟 PDE 流场，通过 Implicit Neural Representations 在小的潜空间中独立嵌入空间观测数据，在由学习 ODE 驱动的时间中灵活处理时间和空间。DINo 可以在任意时间和空间位置外推，并且可以从稀疏的不规则网格或流形中学习，在测试时，可以推广到新的网格或分辨率。该方法在代表性 PDE 系统上的各种极具挑战的泛化场景中优于替代的神经 PDE 预测模型。

    Sep, 2022

  • 稀疏噪声数据下参数偏微分方程的深度学习

    本文提出了一种新的框架，将神经网络、遗传算法和自适应方法相结合，应用于从稀疏噪声数据，不完整的备选库和空间或时间变化系数中发现偏微分方程。该方法在 Burgers 方程，对流扩散方程，波动方程和 KdV 方程上进行了测试，结果表明该方法对噪声数据具有鲁棒性，能够发现具有不完整备选库的参数 PDE。

    May, 2020

  • 潜在神经 PDE 求解器：用于偏微分方程的降阶建模框架

    利用神经网络在粗粒化离散空间中学习系统的动力学，并通过降维简化了时间模型的训练过程，同时展示了与在全序空间上操作的神经 PDE 求解器相比，该方法具有竞争力的准确性和效率。

    Feb, 2024

  • TaylorPDENet：从非网格数据学习偏微分方程

    本文提出了一种名为 TaylorPDENet 的机器学习算法，能够同时准确预测复杂动态系统的演化并明确重构描述该系统的微分方程，该方法使用在观测点处的多维泰勒展开来估计空间导数以进行预测，并表明其可以处理非结构化的数据。

    Jun, 2023

  • 扩散 PDE：部分观测下的生成性偏微分方程求解

    通过使用生成扩散模型，我们引入了一个解决偏微分方程（PDEs）的通用框架，特别关注在没有足够知识的情况下应用经典解算器的场景，并提出了 DiffusionPDE 方法，可同时填补缺失信息并解决 PDE 问题，通过建模解空间和系数空间的联合分布，学得的生成先验能够准确解决多种偏微分方程在部分观测下的情况，明显优于现有前向和反向 PDE 方法。

    Jun, 2024

  • 物理约束下从有限且噪声数据中稳健地学习开放式偏微分方程

    通过 R-DISCOVER 框架，本研究提出了一种从有限且嘈杂数据中稳健地揭示开放式偏微分方程（PDE）的方法，该框架通过发现和嵌入两个交替更新过程进行操作，并通过符号表示和强化学习指导的混合 PDE 生成器高效地生成具有树结构的多样化开放式 PDE，实验证明该框架能够优于其他基于物理知识的神经网络发现方法，从有限的嘈杂数据中揭示非线性动态系统的控制方程，为探索限制了理解的实际系统开辟了新的潜力。

    Sep, 2023

  • NeuPDE: 基于神经网络的常微分方程和偏微分方程模型，用于建模时变数据

    使用神经网络和偏微分方程提取动态数据中的模型，参数化模型来结合空时样本相关性，在 MNIST 和 Fashion MNIST 上与其他深度神经网络进行了比较，证明本方法能够降低参数成本。

    Aug, 2019

  • 通过潜在全局演化学习加速偏微分方程

    提出了一种名为 LE-PDE 的简单，快速且可扩展的方法，通过学习局部动态演化的全局表示，并使用已学习的潜在演化模型在潜空间中进行演化，使得 PDEs 的模拟和反问题求解加速，通过 1D 和 2D 方程的测试结果表明，相比于现有的深度学习模型和其他强基线的方法，最多可达到 128 倍的更新尺寸减少和 15 倍的速度提升，同时精度仍然具有竞争力。

    Jun, 2022

  • 噪声感知的物理信息机器学习用于鲁棒的 PDE 发现

    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