Oct, 2023

非线性降维昔日与今日：机器学习时代耗散偏微分方程目标

PDF
TL;DR通过纯数据驱动的工作流程，构建了一套用于分布式动力系统的简化模型（ROMs）；所采用的 ROMs 是由近似惯性流形（AIMs）理论启发，并以此为模板；应用机器学习工具可以避免需要准确的截断 Galerkin 投影和推导闭合修正的需求；并探讨了通过自动编码器和扩散映射这类流形学习技术发现合适的潜在变量集并进行可解释性测试的方法；该方法可以用理论的（Fourier 系数）、线性数据驱动的（POD 模态）和 / 或非线性数据驱动的（扩散映射）坐标表示 ROMs；同时描述了黑盒模型和（基于理论和数据纠正的）灰盒模型；灰盒模型是在截断 Galerkin 投影无法后处理的情况下必要的；文章使用 Chafee-Infante 反应扩散和 Kuramoto-Sivashinsky 耗散偏微分方程来举例并成功测试了整个框架。
reduced-order modelsdata-driven workflowsromsmachine learning toolslatent variables
发现论文，激发创造
  • 使用深度卷积自编码器对非线性流形上的动态系统进行模型简化

    介绍一种新的基于最小残差的方法，通过在时间连续和时间离散水平上使用非线性流形将动力系统投影到上，即流形 Galerkin 投影和流形 Petrov-Galerkin 投影，并提出了一个计算非线性流形的可行方法，该方法基于深度学习中的卷积自编码器。最后，演示了这种方法在反向控制问题上的比优对比结果。

    Dec, 2018

  • 物理信息机器学习在奇异扰动系统的慢不变流形中的应用

    提出了一种物理信息驱动的机器学习方法，用于近似奇异干扰系统的慢不变流形，并提供了简单的功能形式，以促进简化模型的构建和数值积分。通过三个基准问题的评估，证明了该方法的效率和准确性优于传统的基于 Geometric Singular Perturbation Theory 的方法，并且对扰动参数的大小没有影响。

    Sep, 2023

  • 深度自动编码器的潜在维度在由随机场参数化的 PDE 的降阶建模中的应用

    深度学习在设计偏微分方程的降阶模型（ROMs）方面产生了显著影响，特别是在处理复杂问题以及基于随机领域参数化的随机问题中，深度自动编码器作为一种灵活工具提供了降低问题维数的手段，该研究通过理论分析为深度学习基于 ROMs 在随机领域参数化问题中的应用提供了一些实用的指导方法，这对于领域专家在选择深度自动编码器的潜在维度时具有重要意义，并通过数值实验证明了理论分析对于 DL-ROMs 性能的重大影响。

    Oct, 2023

  • 基于浅层掩模自编码器的快速、精确、物理先验神经网络降阶模型

    提出一种基于神经网络减小秩的 ROM 新方法，在处理对流主导的现象时更好地逼近高保真模型，通过在非线性流域中超减少运算并得到适当的误差界限达到更好的效率。

    Sep, 2020

  • 互动智能代理系统中相变鉴别的机器学习方法

    通过降阶模型、数据驱动框架、流形学习算法、深度学习框架和分叉图表，本文提出了一种定位基于代理模型 (ABMs) 的平均场极限相变的方法。

    Oct, 2023

  • GPLaSDI：基于高斯过程的可解释潜变量动力学辨识通过深度自编码器

    通过使用高斯过程 (Gaussian process) 对潜空间的 ODE 插值，我们提出了一种新颖的估计固有非侵入式自由度的模型来数值求解带有不确定性的偏微分方程 (partial differential equations)。这个方法在 Burgers 方程、等离子体物理学的 Vlasov 方程以及上升热泡问题上取得了 200 到 100,000 倍的速度提升，相对误差最高为 7%。

    Aug, 2023

  • 使用受限自动编码器学习非线性投影用于动态系统的降阶建模

    最近开发的降阶建模技术旨在从数据中学习的低维流形上近似非线性动力系统。我们介绍了一种由约束的自动编码器神经网络描述的参数化非线性投影类，其中流形和投影纤维都是从数据中学习得到的。此外，我们还提出了一些新的动力学感知成本函数，以促进学习考虑快速动力学和非正常性的斜投影纤维。为了展示这些方法及其解决的特定挑战，我们提供了一个关于涡街现象的三状态模型的详细案例研究。同时，我们还提出了几种基于我们提出的非线性投影框架构建计算高效的降阶模型的技术。这包括一种用于避免计算 Grassmann 流形上有害的权重矩阵收缩的新型稀疏促进惩罚项的编码器。

    Jul, 2023

  • 预训练物理信息深度学习的基于减小阶数的非线性参数化 PDE 模型

    使用 Proper Orthogonal Decomposition (POD) 和基于深度学习的 ROMs (DL-ROMs) 的耦合是构建参数非线性时变 PDE 实时解的非侵入性高精度代理的成功策略，然而传统 POD-DL-ROMs 通过训练数据仅考虑问题的物理规律，并且可用数据的数量强烈影响其准确性，因此本文提出了一种基于物理规律的训练策略来改善可用数据不足的问题，并开发了预训练过程来提高预测可靠性。

    May, 2024

  • 用深度卷积循环自编码器学习流体系统低维特征动态

    本研究提出一种基于深度学习的非线性模型降维策略，通过深度卷积自编码器和 LSTM 网络构建模块化模型，实现繁重计算任务中的模型降维，同时保持计算效率和系统稳定性。

    Aug, 2018

  • 参数化偏微分方程的模型简化和神经网络

    发展了一种数据驱动输入输出图像无限维空间的近似方法，使用了神经网络和深度学习并结合模型缩减的思想，该方法在概念上定义于无限维空间上，并在实践中对计算所需的有限维空间的维度稳健，通过对输入输出映射的一类概率测度的选择，证明了所提出近似方法的收敛性。数值实验表明了该方法的有效性，并将其与现有的算法相比较。

    May, 2020