Sep, 2023

基于物理驱动的机器学习模型用于修正反演估计

PDF
TL;DR当在科学工程 (SAE) 领域中部署机器学习估计器时，本文关注于使用模拟和性能指标来检测和修正失败的状态估计，以避免在 SAE 逆问题中带来灾难性的影响，并提出了一种名为 GEESE 的新方法，通过优化来纠正估计，旨在同时提供低误差和高效率的结果。
machine learningstate estimationphysical lawsoptimizationgenerative models
发现论文，激发创造
  • 物理引导的机器学习在科学探索中的应用：模拟湖水温度剖面

    本文提出了一种物理引导递归神经网络模型（PGRNN），它根据物理学模型和机器学习模型相结合，明确提出物理模型的局限性并提出了一种新的改进方法，该方法能够更好地预测实际现象。

    Jan, 2020

  • 基于物理信息的扩散反应系统局部学习

    本文提出一种新的物理学和边界条件意识的局部学习方法，扩展 Embed-to-Control 和 Embed-to-Control 和 Observed 模型，用于学习 Advection-Diffusion Reaction 系统中全局状态变量的局部表示，经过油藏模拟数据训练的模型能够预测系统的未来状态，相对于原始 E2C 和 E2CO 模型，缩短了训练时间并提高了准确性。

    May, 2023

  • Physics-as-Inverse-Graphics: 从视频中无监督地估计物理参数

    本文提出了一种基于物理 - 逆向图像学的方法，可以从视频中无监督地估算系统的物理参数，实现长期视频预测和基于视觉的模型预测控制，并在交互物体系统的长期未来帧预测中显著优于相关无监督方法，还实现了控制器的可解释性提供了独特的能力在目标驱动控制和物理推理方面的零数据适应。

    May, 2019

  • 基于物理引导的问题分解：可扩展高维特征求解器的深度学习，以薛定谔方程为例

    使用物理知识，提出了基于物理指导的专家混合体（PG-MoE）模型，通过将复杂的高维本征向量预测任务分解为若干简单子任务，提高了计算效率，应用于量子力学中的薛定谔方程求解，相较于传统深度学习方法具有更好的可推广性和更小的网络规模。

    Feb, 2022

  • 多保真度模拟、机器学习和搜索空间缩减策略在高效反设计优化中的应用

    该研究介绍了一种方法，通过多精度评估、机器学习模型和优化算法的战略性协同，增强受有限计算资源约束的反向设计优化过程。该方法在两个不同的工程反向设计问题上进行了分析，通过在每个优化循环中利用训练有低精度模拟数据的机器学习模型，高效地预测目标变量并确定是否需要高精度模拟，从而显著节省了计算资源。此外，该机器学习模型在优化之前被战略性地使用以减小搜索空间，进一步加快了收敛到最优解的速度。该方法已被应用于增强差分进化和粒子群优化两种优化算法，对比分析表明两种算法的性能有所提升。值得注意的是，该方法适用于任何反向设计应用，实现了低精度机器学习模型和高精度模拟之间的和谐协同，并且可以无缝应用于任何种类的基于群体的优化算法。

    Dec, 2023

  • 脑启发的脉冲回声状态网络动力学在航空发动机智能故障预测中的应用

    基于脑启发的脉冲回波稳态网络（Spike-ESN）模型用于航空发动机智能故障预测，通过从航空发动机序列数据中提取有用的时态特征，将数据投影到高维稀疏空间，并通过岭回归方法读取脉冲回波稳态网络的内部状态，实验证明了该方法的优越性和潜力。

    Jun, 2024

  • 基于物理信息的速率和状态故障摩擦的深度学习

    本文使用物理约束力学知识和机器学习方法开发了一种多网络的物理信息神经网络（PINN），用于模拟地震运动和推断地震断裂参数，以评估地震灾害。

    Dec, 2023

  • 壳模型湍流模拟的自动耗散控制

    通过使用 Gledzer-Ohkitani-Yamada (GOY) shell 模型的强烈简化表示，我们构建了一个小尺度湍流模型进行研究，重点探讨了机器学习与物理学的相结合，以及在将机器学习与微分方程相结合时存在的问题。

    Jan, 2022

  • 基于物理信息的神经网络加速电力系统状态估计

    通过物理信息神经网络（PINNs）整合物理规律的先验知识，本研究提出了一种新颖的方法用于加速电力系统状态估计，以监测电力系统的运行情况。该方法在保持高准确性的同时，显著降低了状态估计的计算复杂性，实验证明其准确度提高了 11％，结果的标准偏差降低了 75％，收敛速度提高了 30％。

    Oct, 2023

  • 学习神经状态空间模型：是否需要状态估计器？

    本文对神经状态空间模型的系统识别算法的学习问题进行了深入的研究，探讨了初始状态估计的选择和作用，并在两个系统识别基准测试上进行了大量实验和分析，表明高级初始状态估计技术对于某些类型的动态系统需要实现高性能，而对于渐近稳定的系统，则基本过程，如零或随机初始化，已经具有竞争性能。

    Jun, 2022