一种受不变性约束的深度学习网络用于 PDE 发现
本研究提出了一种基于噪声感知的物理信息机器学习框架以及基于离散傅里叶变换的去噪物理信息神经网络,用于通过数据发现物理系统的偏微分方程, 并在五个标准偏微分方程上进行实验证明了该方法的鲁棒性和可解释性。
Jun, 2022
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
通过解决受约束的优化问题并使用类似于物理 - Informed 神经网络(PINN)的中间状态表示,我们将 PDE 表示为神经网络,以发现 PDE。我们使用惩罚方法和广泛使用的约束 - 区域障碍方法解决了此约束优化问题,并在数值示例上比较了这些方法。我们对 Burgers' 和 Korteweg-De Vreis 方程的结果表明,后一种约束方法在更高的噪声水平或更少的空间插值点上表现优于惩罚方法。对于这两种方法,我们使用传统方法(如有限差分方法)解决这些发现的神经网络 PDE,而不是依赖于自动微分的 PINNs 类型方法。我们简要介绍其他一些小但至关重要的实施细节。
May, 2024
本文提出一种新的基于物理编码离散学习框架,用于从稀缺且有噪声的数据中发现时空偏微分方程,通过引入基于深度卷积 - 循环网络进行先前的物理知识编码,并利用重构数据的稀疏回归来识别控制 PDEs 的显式形式。作者在三个非线性 PDE 系统上进行了验证,展示了该方法的有效性和优越性。
Jan, 2022
提出一种物理约束卷积神经网络 (PC-CNN) 来解决非线性、时空变化的偏微分方程 (PDE) 逆问题,演示 PC-CNN 在处理空间可变的拟偏误数据、重构高分辨率空间解以及分析纳维 - 斯托克斯方程的表现。
Jan, 2024
通过 R-DISCOVER 框架,本研究提出了一种从有限且嘈杂数据中稳健地揭示开放式偏微分方程(PDE)的方法,该框架通过发现和嵌入两个交替更新过程进行操作,并通过符号表示和强化学习指导的混合 PDE 生成器高效地生成具有树结构的多样化开放式 PDE,实验证明该框架能够优于其他基于物理知识的神经网络发现方法,从有限的嘈杂数据中揭示非线性动态系统的控制方程,为探索限制了理解的实际系统开辟了新的潜力。
Sep, 2023
本研究介绍了一种新型离散 PINN 框架,基于图卷积网络和 PDE 的变分结构,能够在前向和反向设置中严格施加边界条件和吸收稀疏数据,适用于处理不规则几何形状和非结构化网格等应用领域。
Jul, 2021
利用对比预训练框架和广义对比损失实现神经算子在多个方程上的泛化,提高了傅里叶神经算子在固定未来任务中的准确性和泛化能力,同时在一维热、Burgers' 和线性对流方程的自回归展开和超分辨率任务中表现出相当的性能。
Jan, 2024
本文提出了一种新的框架,将神经网络、遗传算法和自适应方法相结合,应用于从稀疏噪声数据,不完整的备选库和空间或时间变化系数中发现偏微分方程。该方法在 Burgers 方程,对流扩散方程,波动方程和 KdV 方程上进行了测试,结果表明该方法对噪声数据具有鲁棒性,能够发现具有不完整备选库的参数 PDE。
May, 2020