基于物理信息的具有 Gabor 基函数的神经波场
我们提出了改进的基于 Gabor 基函数的 PINN 方法(GaborPINN),通过嵌入先验频率信息来加快收敛速度,与传统的 PINN 方法相比,取得了两个数量级的收敛速度提升。
Aug, 2023
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
物理信息神经网络是一种有效求解偏微分方程的新方法,通过理论框架将其与高斯过程回归等价,并推导出由其架构选择所引起的核项来增强其预测能力,并通过源项的谱分解量化其隐含偏差
Jul, 2023
通过基于物理学知识的神经网络(PINNs)方法对二维声波方程进行求解和全波形反演(FWI)问题进行研究,证明其在处理不同结构复杂度的情况下表现出良好的结果,不仅适用于地震学领域,而且可以处理其他地球物理学数据集以及联合反演等问题,拓展了地球物理学反演研究的新途径。
Aug, 2021
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
通过使用限制共轭核和神经切向核进行特征映射层的 PINNs 训练动态分析,我们揭示了模型收敛和普适性的一些内部机制。同时,我们发现常用的基于傅立叶变换的特征映射在某些情况下存在不足,并提出了条件正定的径向基函数作为更好的替代方案。实证结果表明我们的方法在各种正向和逆向问题集中具有有效性。这种简单的技术可以轻松地在坐标输入网络中实现,并使广泛的 PINNs 研究受益。
Feb, 2024
通过在前馈神经网络中嵌入偏微分方程所描述的物理信息,物理信息导向的神经网络(PINNs)作为深度学习的一种有前途的方法,用于解决偏微分方程(PDEs)。然而,尽管 PINNs 表现出卓越的性能,但它们在处理解快速变化的方程时可能面临困难。为了解决这些问题,我们提出了一种二进制结构的物理信息导向神经网络(BsPINN)框架,其中采用二进制结构神经网络(BsNN)作为神经网络组件。通过利用相对于完全连接的神经网络减少神经元连接的二进制结构,BsPINNs 在更有效和高效地捕捉解的局部特征方面表现出色。在一系列解决 Burgers 方程、Euler 方程、Helmholtz 方程和高维 Poisson 方程的数值实验中,BsPINNs 展现出优异的收敛速度和更高的准确性,相较于 PINNs。从这些实验中,我们发现 BsPINNs 解决了 PINNs 中增加的隐藏层导致过度平滑的问题,并防止了 PDEs 解不光滑导致准确性下降的问题。
Jan, 2024
使用简化形式的 Vlasov-Poisson 系统(1D1V)作为物理启发神经网络(PINN)应用于波粒共振的测试样本。首先将 PINN 作为 Vlasov-Poisson 系统解法的压缩方法进行测试,并与标准神经网络进行比较。其次,还介绍了将 PINN 应用于 Vlasov-Poisson 系统求解,重点放在积分部分,这促使了基于自动微分求解偏微分方程和自动积分求解积分方程的 PINN 变体,称为可积性 PINN(I-PINN)的实现。
Aug, 2023
本文提出 Finite Basis PINNs (FBPINNs) 方法用于解决大规模微分方程问题。FBPINNs 受到经典有限元方法的启发,使用神经网络学习有 紧支撑的有限基函数来表示微分方程的解,使其具有网格自由性和并行解决多尺度问题的能力。数值实验表明,FBPINNs 既能够解决小模型问题,还能够高效准确地解决大规模复杂问题,比标准的 PINNs 方法具有更好的性能表现。
Jul, 2021