本文提出了 Runge-Kutta 卷积神经网络(RKCNNs)这一新颖的网络结构,用高阶 Runge-Kutta 方法替代了隐式 Runge-Kutta 方法的迭代,从而在提高准确率的同时减少了计算量,并扩展了以数值方法为基础的动力系统的网络模型。
Feb, 2018
对物理启发机器学习中的物理信息神经网络和相关模型的数值分析结果进行综合评述,并重点阐述了在近似偏微分方程时 PINN 所产生的误差在各个组成部分的行为,以及与 PDE 类型和基础域维度相关的逼近、概括和训练误差的可用结果。同时阐明了解的稳定性和解的规则性对误差分析的作用,最后通过数值结果来说明训练误差对物理启发机器学习中各种模型整体性能的不利影响。
Jan, 2024
该论文介绍了一种新的基于 Gaussian 过程模型的神经网络不确定性估算框架 RIO,该框架可应用于任何标准神经网络,无需对模型架构或训练流程进行修改,可以提供可靠的不确定性估算,并减少点预测的误差,具有较强的可扩展性。
Jun, 2019
我们介绍了一种鲁棒版本的物理启发式神经网络(RPINN)来近似求解偏微分方程(PDEs),该方法利用能量范数计算的残差和格拉姆矩阵的倒数构建了损失函数,在两个空间维度的拉普拉斯问题和对流扩散问题中进行了测试,结果表明 RPINN 是一种鲁棒的方法,其损失函数与解的真实误差在能量范数下相符,因此我们可以知道训练过程进行得如何,并在达到所需精度的真实误差下停止训练来获得 PDE 解的神经网络逼近。
提出了一种严格确保硬线性等式约束的物理信息神经网络模型 KKT-hPINN,通过从 KKT 条件得出的投影层,进一步提高了预测准确性。
Feb, 2024
通过物理信息神经网络(PINNs)整合物理规律的先验知识,本研究提出了一种新颖的方法用于加速电力系统状态估计,以监测电力系统的运行情况。该方法在保持高准确性的同时,显著降低了状态估计的计算复杂性,实验证明其准确度提高了 11%,结果的标准偏差降低了 75%,收敛速度提高了 30%。
Oct, 2023
通过使用随机数据和 dropout 法来分别表示参数不确定性和近似不确定性,将经典的 PINN(物理信息神经网络)与 NN-aPC 的推广相结合,扩展了我们的工作到多维随机偏微分方程。
Sep, 2018
利用符合预测框架的一致预测神经网络(C-PINNs),量化 PINNs 的不确定性,通过提供具有有限样本、无分布统计有效性的区间,解决常规 PINNs 不提供不确定性量化的问题。
May, 2024
通过理论结果及数值示例,我们揭示部分微分方程的神经切向核心观点下,非线性微分算子呈现不同行为,以及使用二阶方法训练物理信息神经网络的优势和收敛能力,同时解决谱偏差和收敛速度慢的挑战。
本文提出了一种新的数据驱动建模范式,该范式可以同时学习动态和估计每次观察的测量误差。作者使用深度神经网络建模未知矢量场,并在非均匀时间步长的数据中加入龙格 - 库塔积分器,以约束和集中建模的工作。在多项标准测试问题中表现出本方法形成预测模型的能力,并表明它对大量测量误差具有强鲁棒性。
Aug, 2018