Nov, 2023

物理知情的神经运算符是否能够自我改善？

PDF
TL;DR本研究探索了在求解偏微分方程组（如神经算子）中应用自训练技术的可行性，通过使用自训练技术，四尔叶神经算子（FNO）仅通过物理损失的训练就取得了比同时使用数据和物理损失训练的情况下在 Burgers 和 Darcy 方程中更好的结果，此外，我们发现可以利用伪标签进行自训练，同时优化了 PINO 的性能。
self-trainingfourier neural operatorsdata-driven techniquepdespseudo-labels
发现论文，激发创造
  • 面向物理信息的神经算子用于偏微分方程学习

    本文提出物理信息神经操作器（PINO），该方法使用现有的数据和物理约束条件来学习参数化偏微分方程（PDE）族的解算器，通过结合数据和 PDE 约束条件，PINO 成功地实现了高分辨率实例的准确性和泛化能力。

    Nov, 2021

  • 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

  • 从谱的角度对傅里叶神经算子进行分析和改进的研究

    通过光谱分析明确展示了 Fourier 神经操作符在解决偏微分方程时相比卷积神经网络的显著有效性，并提出了 SpecBoost，一种集成学习框架，通过利用多个 Fourier 神经操作符来更好地捕捉高频信息，明显提高了在各种偏微分方程应用中的预测准确度，最高提升了 71%。

    Apr, 2024

  • 面向物理学习的算子学习的近似误差的通用界限

    提出了一种通用的框架，用于导出物理相关神经网络（PINN）和操作器学习结构（如 DeepONets 和 FNOs）以及物理相关操作器学习的逼近误差的严格界限，并保证这些结构将有效逼近一般偏微分方程（PDE）的解或解算子。

    May, 2022

  • 混合精度加速 Fourier 神经算子

    通过对 Fourier neural operator（FNO）进行全精度和混合精度训练的内存和运行时时间进行分析，研究混合精度训练的数值稳定性，并设计了一种训练程序，有效减少了训练时间和内存使用，而在准确性上几乎没有减少，适用于 Navier-Stokes 和 Darcy 流动方程。

    Jul, 2023

  • 用傅里叶神经算子近似数值通量用于双曲型守恒律

    这篇论文研究了将神经网络方法与传统的数值方案结合，以在处理保守定律时具有稳健性、分辨率不变性和数据驱动能力的特点，并通过实验证明了方法在时间连续预测和对分布之外样本的推广能力方面的优势。

    Jan, 2024

  • 基于物理知识的神经网络在高频和多尺度问题上的应用及迁移学习

    提供了使用转移学习来增强 PINN 的鲁棒性和收敛性的训练方法，通过两个案例研究发现转移学习可以有效训练 PINN 在低频问题到高频问题的近似解，同时减少了网络参数，所需数据点和训练时间。同时提供了优化器选择和使用转移学习解决更复杂问题的指南。

    Jan, 2024

  • 传统线性求解器能否被基于物理启发的深度学习所替代？

    本篇论文探讨了 PINN 作为线性求解器的潜力，在 Poisson 方程中评估了不同参数下的表现和精度，并且阐述了传递学习的关键作用。同时，论文也提出了将 PINN 与传统线性求解器相结合的方法，以解决高频解的问题，并表明该混合策略在发展具有潜力的新型线性求解器方面具有前景。

    Mar, 2021

  • 傅里叶神经算子用于学习宏观交通流模型的解：正向和反向问题的应用

    使用深度学习方法研究交通流中非线性双曲型偏微分方程的解决方案，通过训练算子来预测宏观交通状态和密度动态，以及改进冲击预测和物理约束问题。

    Aug, 2023

  • 学习形变的傅里叶神经算子解决一般几何上的 PDEs

    本论文提出了基于深度学习的 Fourier 神经算子 (FNO) 的新框架 - geo-FNO, 用于求解偏微分方程，并可在任意几何图形上工作。该方法利用深度学习降噪算法，将不规则的物理空间映射到一个均匀的潜空间中，再应用 FNO 模型来求解偏微分方程。geo-FNO 比传统的数值求解方法快 $10^5$ 倍，比其它机器学习算法（如 FNO）的直接插值更准确。

    Jul, 2022