良好的格训练:物理推断神经网络加速的数论
该论文提出了使用集成的物理信息神经网络 (PINN) 来解决解偏微分方程 (PDEs) 的问题,通过逐步扩展解决方案间隔以及结合 PINN 模型集中观察点的解决方案的一致性来稳定 PINN 的培训,并使结果明显优于目前存在的时间自适应策略的 PINN 算法。
Apr, 2022
我们介绍了一种鲁棒版本的物理启发式神经网络(RPINN)来近似求解偏微分方程(PDEs),该方法利用能量范数计算的残差和格拉姆矩阵的倒数构建了损失函数,在两个空间维度的拉普拉斯问题和对流扩散问题中进行了测试,结果表明 RPINN 是一种鲁棒的方法,其损失函数与解的真实误差在能量范数下相符,因此我们可以知道训练过程进行得如何,并在达到所需精度的真实误差下停止训练来获得 PDE 解的神经网络逼近。
Jan, 2024
本研究提出了一种名为 latentPINN 的框架,通过将偏微分方程(PDE)参数的潜在表示作为额外的输入进行 PINN 模型的训练,使用两个阶段的训练来学习 PDE 参数的潜在表示,并通过在解决区域内随机生成空间坐标和 PDE 参数值的样本进行物理感知神经网络的训练,试验结果表明该方法在不需要任何额外训练的情况下可以很好地适用于不同的 PDE 参数。
May, 2023
文章综述了物理学启发的神经网络(PINN)的文献,并介绍了其特点和优缺点。此外,研究还包括了使用 PINN 以及它的许多其他变体解决 PDE、分数方程、积分微分方程和随机 PDE 的广泛应用领域,以及它们的定制化方法,如不同的激活函数、梯度优化技术、神经网络结构和损失函数结构。虽然该方法被证明在某些情况下比有限元方法更可行,但它仍面临理论问题尚未解决。
Jan, 2022
通过提出一种轻量级低秩 PINN 和相关的超网络元学习算法,本研究有效地解决了在各种工程和应用科学应用中需要对多个输入参数进行重复数值模拟的问题,并展示了该方法在克服 PINN 的 “失败模式” 方面的有效性。
Oct, 2023
该研究介绍了一种名为 PPINN 的新型神经网络结构,可在短时间内解决时间依赖性偏微分方程问题,通过将一个长时间问题分解成许多由粗粒度求解器监督的独立短时间问题,PPINN 可以在几个迭代中实现收敛并获得显著加速。
Sep, 2019
本研究介绍了一种新型离散 PINN 框架,基于图卷积网络和 PDE 的变分结构,能够在前向和反向设置中严格施加边界条件和吸收稀疏数据,适用于处理不规则几何形状和非结构化网格等应用领域。
Jul, 2021
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
对物理启发机器学习中的物理信息神经网络和相关模型的数值分析结果进行综合评述,并重点阐述了在近似偏微分方程时 PINN 所产生的误差在各个组成部分的行为,以及与 PDE 类型和基础域维度相关的逼近、概括和训练误差的可用结果。同时阐明了解的稳定性和解的规则性对误差分析的作用,最后通过数值结果来说明训练误差对物理启发机器学习中各种模型整体性能的不利影响。
Jan, 2024