Nov, 2023

驯服波动：物理可解释的机器学习框架用于可实现波动控制

PDF
TL;DR介绍了一个用于研究有源变形材料设计控制声波的环境，并开发了一种基于深度神经网络的机器学习方法，可以有效地学习声波的动态。该方法可预测和控制散射波能量，在声学中解决了最小化总散射能量的重要问题。
partial differential equationscontrolwave dynamicsacoustic wavesmachine learning
发现论文，激发创造
  • 壳模型湍流模拟的自动耗散控制

    通过使用 Gledzer-Ohkitani-Yamada (GOY) shell 模型的强烈简化表示，我们构建了一个小尺度湍流模型进行研究，重点探讨了机器学习与物理学的相结合，以及在将机器学习与微分方程相结合时存在的问题。

    Jan, 2022

  • 可微分物理学习控制偏微分方程

    本研究介绍了一种新颖的分层预测 - 校正方案，使神经网络能够学习理解和控制复杂的非线性物理系统，在涉及偏微分方程的任务中成功地开发了对这些系统的理解，并学会了控制它们。

    Jan, 2020

  • 基于物理信息的机器学习控制方法在高噪声测量下的非线性动态系统中的应用

    该研究提出了一种基于物理信息的机器学习控制方法，用于具有高噪声测量的非线性动态系统。结果表明，该方法在高噪声条件下的非线性动态系统的建模准确性和控制性能方面优于现有的基准方法。

    Nov, 2023

  • 机器引导下探索现实世界的孤立波模型

    通过因果分析、深度学习、遵循简约原则的模型选择和符号回归，本文通过一个案例研究展示了利用数据发现海洋罕见巨浪的新符号模型。该模型基于大量浮标观测数据上训练的人工神经网络，同时兼顾预测性能和因果不变性。我们将这个黑盒模型应用于符号回归，转化为数学方程，在现有波浪理论框架下进行解释，从而实现模型的预测能力和可解释性。结果表明，该模型能够重现已知行为，生成良好校准的概率，并在未见数据上取得更好的预测准确性，为罕见巨浪预测提供更准确的方法。

    Nov, 2023

  • 波动物理知识指导的矩阵分解

    在最近的表示学习方法的成功的基础上，我们提出一种基于矩阵分解的技术，将信号分解为满足波动方程约束的组成部分，从而在波动方程约束下利用已知的物理约束进行学习，建立了波动信息学习与信号处理中的滤波理论之间的理论联系，并展示了该方法在结构诊断和预测中常见的模态分析问题上的应用。

    Dec, 2023

  • 波物理作为模拟循环神经网络

    利用物理波动的动力学和循环神经网络之间的映射，我们设计了一种基于波动物理模型的模拟机器学习硬件平台，可以训练物理波系统来学习时间序列数据的复杂特征，并在声波传播的不均匀介质中完成原始语音信号的元音分类任务，标准的数字实现也可以在性能上得到可比较的表现。

    Apr, 2019

  • 基于数据驱动的具有几何约束的非线性物理系统的计算方法

    该研究介绍了一种将机器学习与传统科学方法相结合的基于数据驱动的框架，将物理学的先验知识与先进的机器学习技术相结合，旨在解决基于第一原理和全力学习方法固有的计算和实际限制。通过嵌入特定于特定类别非线性系统的物理学先验，包括可分离和不可分离的哈密顿系统、双曲型偏微分方程和不可压缩流体动力学，我们的框架展示了四种算法。物理定律的内在结合保留了系统的内在对称性和守恒定律，确保了解的物理合理性和计算效率。这些先验的结合还提高了神经网络的表达能力，使其能够捕捉传统方法常常忽视的物理现象中的复杂模式。因此，尽管依赖于小数据集、短训练周期和小样本量，我们的模型在预测准确性、鲁棒性和预测能力方面优于现有的数据驱动技术，特别是识别训练集中缺失的特征。

    Jun, 2024

  • 物理信息神经网络的隐式神经表示方法用于重建房间脉冲响应的早期部分

    本文提出使用基于物理的神经网络重建声场早期部分，实现了准确的重建且维持轻量架构。

    Jun, 2023

  • 机器学习方法在波前控制中的综述

    研究了自适应光学系统中的波前控制算法、探索了图像地球般岩石行星的技术，并回顾了机器学习方法在波前控制方面的应用。

    Sep, 2023

  • 物理知识指导的深度学习（第二部分）：基于数据发现非线性偏微分方程

    本文介绍了物理知识启发的神经网络，依据偏微分方程描述的物理学定律进行训练。本文第二部分聚焦于基于数据驱动的偏微分方程发现问题，并介绍了两类算法，即连续时间和离散时间模型。本方法在包括守恒定理、不可压缩流体流动和非线性浅水波传播等多个数学物理基准问题上的有效性得到了证明。

    Nov, 2017