提出了一种名为 Deep Galerkin Method(DGM)的算法,它使用深度神经网络来解决高维偏微分方程问题。相较于形成网格,该算法不依赖于网格,而是通过对随机采样的时间和空间点的批量训练来实现。它在一类高维自由边界的偏微分方程、高维哈密顿 - 雅各比 - 贝尔曼(Hamilton-Jacobi-Bellman)偏微分方程和 Burgers 方程上得到了测试,并且在高维空间中能够准确地近似各种边界条件和物理条件下的 Burgers 方程的一般解。此外,论文还证明了神经网络在一类拟线性抛物型偏微分方程上的逼近能力。
Aug, 2017
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
该论文提出了一种将多层求解器和基于神经网络的深度学习方法相结合的新方法,用于解决高维参数的偏微分方程数值解问题,并在理论和实验方面都得到了验证。
Apr, 2023
本论文中,我们提出了一个名为 “GrADE” 的新颖框架,以解决非线性偏微分方程的时间依赖性问题,该框架包括 FNN(fully connected neural network)和 Graph Neural Network 以及最近开发的神经 ODE 框架,并使用注意机制来增强其性能。我们将更多的重量分配给重要的输入特征。同时,该框架还使用了 O (1) 常数内存的神经 ODE 框架,提高了速度。我们还提出了深度精炼技术,以更快、更准确地训练该框架,仿真结果表明该框架在解决 PDE 建模的问题上表现卓越。
Aug, 2021
在这项工作中,我们专注于利用三层 tanh 神经网络在深 Ritz 方法 (DRM) 框架中解决具有三种不同边界条件的二阶椭圆方程,通过使用投影梯度下降 (PDG) 来训练三层网络并建立其全局收敛。我们对过参数化网络用于解决 PDE 问题的全面误差分析,同时包括近似误差、泛化误差和优化误差的估计,提供了样本大小 $n$ 的误差界限,并为投影梯度下降算法中的网络深度、宽度、步长和迭代次数的设置提供了指导。这项工作的假设是经典的,不需要对方程的解作任何附加假设,确保了我们结果的广泛适用性和普遍性。
May, 2024
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
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
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
该论文通过偏微分方程的理论框架,提出了三种新型的 ResNet 神经网络架构,分别属于抛物线和双曲线类型的 CNN,能够提供深度学习的新算法和思路,并用数值实验证明了它们的竞争力。
Apr, 2018
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