Oct, 2023

TSONN：面向时间步进的神经网络用于求解偏微分方程

PDF
TL;DR通过将时间步进方法与深度学习相结合，本研究将原始的 ill-conditioned 优化问题转化为一系列基于给定伪时间间隔的 well-conditioned 子问题，从而大幅提高了模型训练的收敛性，提供了一个稳健的基于优化的 PDE 求解器。与基于传统网格的数值方法相比，在神经网络优化方法框架下，本方法展示了时间步进方法的几个新颖特性和优势，同时显著提高了显式方案的时间步长，并且隐式方案的实现方式与显式方案一样简单。
发现论文，激发创造
  • 基于物理知识的神经网络框架用于障碍相关方程建模

    本文探索使用 PINNs 求解障碍相关的偏微分方程，通过多种场景对线性和非线性、规则和不规则障碍下的 PDE 进行求解，表现良好。

    Apr, 2023

  • 时序物理约束神经网络的精确执行

    用深度学习方法在科学计算中表示了工程问题解决的潜在范式转变。我们介绍了一种通过解假设来完全强制执行连续性的硬约束顺序 PINN 方法，该方法简单易行且消除了与时间连续性相关的任何损失项。通过一些基准问题的测试，我们证明了该方法在线性和非线性 PDEs 方面的卓越收敛性和准确性，尤其是在时间精度方面对于混沌问题的敏感性。

    Feb, 2024

  • PPINN: 时变偏微分方程的 Parareal 物理信息神经网络

    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

  • VS-PINN: 使用变量缩放方法解决具有严格行为的偏微分方程的物理约束神经网络的快速高效训练

    提出一种使用变量缩放技术训练物理信息神经网络（PINNs）的新方法，通过对神经切线核（NTK）的分析提供理论证据并证明这种方法确实可以提高 PINNs 的性能。

    Jun, 2024

  • 解决双曲型偏微分方程的深度学习框架：第一部分

    开发了一种基于物理信息的深度学习框架，用于近似解非线性偏微分方程，可以在不预先了解解的性质或不连续点的位置的情况下发展出震荡或不连续的解。

    Jul, 2023

  • ST-PINN: 基于自学习的物理知识神经网络用于偏微分方程

    本文提出了一种基于自我训练的物理学受控神经网络 (ST-PINN) 的方法，通过选取具有高置信度的样本点作为伪标签进行训练，从而提高神经网络学习物理信息的效果及其收敛性，在五个不同场景下进行的实验表明该方法优于现有的物理受控神经网络方法，并将精度提高了 1.33x-2.54x。

    Jun, 2023

  • 用模型集成改进物理知识神经网络的训练

    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

  • 关于物理信息神经网络在线性二阶椭圆型和抛物型偏微分方程中的收敛性

    该论文介绍了新型 PINNs 的理论和实践研究，证明了其在解决偏微分方程方面的有效性和可靠性。

    Apr, 2020

  • 基于物理信息的分布式神经网络求解偏微分方程的数据高效方法

    通过测试传统 PINN 方法的表达能力，本论文提出了一种分布式 PINN（DPINN），并与原方法进行了对比，试图直接使用物理信息神经网络来解决非线性偏微分方程及二维稳态 Navier-Stokes 方程。

    Jul, 2019

  • 运算符学习增强的基于物理信息的神经网络用于解决具有尖锐解的偏微分方程

    在这项研究中，我们提出了一种名为 OL-PINN 的新型框架，将 DeepONet 与 PINN 相结合来解决具有尖锐解决方案的问题，并成功解决了非线性扩散反应方程、Burgers 方程和高雷诺数下的不可压纳维 - 斯托克斯方程等问题，提高了准确性和鲁棒性，同时广泛应用于解决逆问题。

    Oct, 2023