Jan, 2024

多保真度基于领域分解的物理信息神经网络用于时变问题

PDF
TL;DR综合应用多保真性堆叠物理信息神经网络和基于域分解的有限基础物理信息神经网络（PINNs）以改善时间相关问题的 PINNs 性能，表明域分解方法明显提高了 PINN 和堆叠 PINN 方法的性能。
multiscale problemsneural network-based discretizationsphysics-informed neural networksmultifidelity stacking pinnsdomain decomposition-based finite basis pinns
发现论文，激发创造
  • 基于有限基础物理知识的神经网络（FBPINNs）：一种可扩展的分域分解方法，用于求解微分方程

    本文提出 Finite Basis PINNs (FBPINNs) 方法用于解决大规模微分方程问题。FBPINNs 受到经典有限元方法的启发，使用神经网络学习有 紧支撑的有限基函数来表示微分方程的解，使其具有网格自由性和并行解决多尺度问题的能力。数值实验表明，FBPINNs 既能够解决小模型问题，还能够高效准确地解决大规模复杂问题，比标准的 PINNs 方法具有更好的性能表现。

    Jul, 2021

  • 基于域分解的物理信息神经网络的 Schwarz 交替法耦合

    本文通过使用 Schwarz 交替方法将物理信息神经网络 (PINNs) 与传统数值模型进行耦合，探索了在非线性偏微分方程中加速神经网络训练的方法，并在一维平流 - 扩散方程中验证了该方法对提高 PINN 训练的有效性。

    Nov, 2023

  • 基于领域分解的初始化增强物理信息神经网络

    我们提出了一种基于初始化和域分解的新型物理感知神经网络框架 IDPINN，以提高预测精度。我们使用小型数据集训练了一个 PINN，生成了初始的网络结构，包括加权矩阵和偏置，来为每个子域初始化 PINN。此外，我们利用界面上的平滑条件来增强预测性能。我们对几个正向问题进行了数值评估，并展示了 IDPINN 在准确性方面的优势。

    Jun, 2024

  • 基于对称群的域分解以增强用于求解偏微分方程的基于物理信息的神经网络

    本文提出了一种基于对称群的域分解策略，以增强物理信息神经网络（PINN）对具有李对称群的偏微分方程（PDE）的正向和反向问题的求解能力，该方法通过将整个训练域划分为多个不重叠的子域，并利用 PINN 和对称增强 PINN 方法在每个子域中学习解决方案，最后将它们拼接成 PDE 的整体解。通过 Korteweg-de Vries 方程和非线性粘性流体方程的数值结果表明，该方法显著提高了学习解的精度。

    Apr, 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

  • 基于多保真数据学习的复合神经网络：应用于函数逼近和反向偏微分方程问题

    本文提出了一种基于多保真数据培训的新型复合神经网络，用于近似标准基准函数和 20 维函数，以及对多保真数据进行训练，包含四个完全连接的神经网络，第一个近似低忠实度数据，第二个和第三个构造低和高忠实度数据之间的相关性，并生成多忠实度近似，然后在最后一个编码部分微分方程（PDE），通过训练多精度 PINNs，我们可以推断感兴趣的数量并识别 PDE 中的未知参数。

    Feb, 2019

  • 基于信息受控神经网络的多尺度深度学习框架

    使用物理信息神经网络（PINN）来解决具有多尺度问题的新框架，通过重新构建损失函数并应用不同数量的幂运算到损失项上以使损失函数中的项具有相近的数量级，并且引入分组正则化策略以解决不同子域中变化显著的问题，该方法使得具有不同数量级的损失项可以同时优化，推动了 PINN 在多尺度问题中的应用。

    Aug, 2023

  • 基于物理信息的神经网络的多尺度建模：从复杂系统中的大规模动力学到小规模预测

    通过解耦方法，本文提出了一种用于表征多尺度动力学的新求解模式，该模式通过将大尺度动力学独立建模并将小尺度动力学视为其受控系统，在正交基函数空间中开发了一种谱 PINN 来逼近小尺度系统。该方法的有效性通过广泛的数值实验得到了证明，包括一维 Kuramot-Sivashinsky (KS) 方程，二维和三维 Navier-Stokes (NS) 方程，展示了其在解决流体动力学问题方面的多功能性。此外，我们还深入研究了该方法在更复杂情况下的应用，包括非均匀网格，复杂几何，带有噪声的大尺度数据和高维小尺度动力学的问题。对于这些情景的讨论有助于全面了解该方法的能力和局限性。这种新的解耦方法简化了时空系统的分析和预测，其中可以通过低计算要求获取大尺度数据，然后通过谱 PINNs 捕捉到具有改进的效率和准确性的小尺度动力学。

    Feb, 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

  • 面向实际物理系统编码动力学的基于物理信息的神经网络

    本文通过研究物理信息驱动的神经网络（PINNs）来编码控制方程，并评估其在两个不同系统的实验数据上的表现。我们发现，在简单的非线性摆系统中，PINNs 在理想数据情况下胜过了等效的无信息神经网络（NNs），在 10 个线性间隔和 10 个均匀分布的随机训练点上的准确度分别提高了 18 倍和 6 倍。在使用来自实验的真实数据进行类似测试的情况下，PINNs 相对于 NNs 的准确度提高了 9.3 倍和 9.1 倍，分别对应于 67 个线性间隔和均匀分布的随机点。此外，我们还研究了物理信息驱动模型在物理系统中的可行性，并选择 FPGA 作为部署计算的基板。鉴于此，我们使用了一台 PYNQ-Z1 FPGA 进行实验，并找出了与时间相干感知和空间数据对齐相关的问题。根据提出的系统架构和方法，我们讨论了从这项工作中获得的见解，并列出了未来工作计划。

    Jan, 2024