使用符号框架的可解释神经偏微分方程求解器
该论文提出了一种新的框架:用于解决偏微分方程(PDE)的闭式符号框架(SymPDE),探索使用深度强化学习直接获得 PDE 的符号解。SymPDE 减轻了 Physics-Informed Neural Networks 在拟合高频率和陡变函数中面临的挑战,并通过在时间独立和时空动力系统中解决 Poisson 方程和热方程的实验,证明了 SymPDE 可以为各种类型的 PDE 提供准确的闭式符号解。
May, 2024
利用神经网络在粗粒化离散空间中学习系统的动力学,并通过降维简化了时间模型的训练过程,同时展示了与在全序空间上操作的神经 PDE 求解器相比,该方法具有竞争力的准确性和效率。
Feb, 2024
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
本文提出了一种新型的混合反向问题复合框架,将深度神经网络的高表现力与现有偏微分方程数值算法相结合,通过语义自编码器的自定义层,将计算数学、机器学习和模式识别技术融合在一起,实现了域特定知识和物理约束的综合应用,解决了大量数据中的未知字段这个问题,称之为混合反向 PDE 网络 (BiPDE 网络),并在一维和二维空间中的泊松问题中,以及一维的时间依赖和非线性 Burgers 方程中,应用和证明了其可行性和噪声鲁棒性。
Jan, 2020
该论文提出了一个开源在线培训框架,用于快速解决偏微分方程组,可以提高深度代理模型的数据多样性,对于 Fully connected neural networks、Fourier Neural Operator (FNO) 和 Message Passing PDE Solver 的预测准确度分别提高了 68%、16%和 7%。
Jun, 2023
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
本文综述了传统的 PDE 数值逼近方法以及近期的基于机器学习的方法,重点介绍了以神经算子为中心的关键构架,这是一种学习 PDE 解算子的新方法,与传统方法相比具有 1000 倍的计算速度优势,这些新的计算方法可以在解决许多基础和应用物理问题方面带来巨大优势。
Jan, 2023
本论文利用神经信息传递的方法,构建了一种能够解决具有多种性质的偏微分方程数值解的求解器,并提出了一种基于稳定性领域适应的方法,在 1D 和 2D 中验证其在各种流体状况下的快速、稳定和准确性能。
Feb, 2022
该研究介绍了一种终端到端框架,用于获得解决 PDE 的数学表达式,并使用训练有素的 PINN 生成数据集,使用文法来描述符号表达式空间,并使用 DPA 对其进行修剪以提高可解释性。平均而言,修剪使 DPA 的参数减少 95.3%,同时保持与 PINN 相同的准确性,而且平均而言,修剪将 DPA 的准确性提高了 7.81%。此外,该框架在复杂的 PDE 系统上表现优于现有的 SR 解算器。
Mar, 2023