Feb, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

    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。

    Jan, 2024

  • 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

  • 自相似动力的数据驱动建模

    通过引入自相似性作为先验知识的多尺度神经网络框架，我们可以模拟自相似动态系统并提取尺度不变的动力学核，在非平衡系统中发现与理论预期一致的关键指数，从而有助于解决关键相变问题。

    Oct, 2023

  • 尊重因果关系即可训练物理学感知神经网络

    本文提出一种简单的 PINNs 卷积方法，可显式考虑物理因果关系，在多尺度、混沌或湍流行为的动力学系统中实现更高的准确性和可靠性。

    Mar, 2022

  • 从回归到物理启发式神经网络的多尺度偏微分方程求解的傅里叶特征网络中的特征向量偏差

    本研究采用神经切向核理论观察了物理知识指导神经网络的局限性，并通过构建新的体系结构使用时空和多尺度随机傅里叶特征，成功解决了波传播、反应扩散动力学等多尺度问题。

    Dec, 2020

  • 小参数偏微分方程的双尺度神经网络

    我们提出了一种两尺度神经网络方法，用于使用物理相关神经网络 (PINNs) 解决具有小参数的偏微分方程 (PDEs)。我们直接将小参数纳入神经网络的结构中。该方法能够简单地解决具有小参数的 PDEs，无需添加傅里叶特征或其他计算上繁重的截断参数搜索。各种数值实例表明，该方法能够合理准确地捕捉由小参数引起的解中的大导数特征。

    Feb, 2024

  • 用于刚性 ODE 系统的慢不变流形逼近的物理信息神经网络方法

    提出了一种物理信息神经网络（PINN）方法，用于发现 ODEs 的一般类别快慢动力系统的缓慢不变流形（SIMs），通过将向量场分解为快慢分量并提供底层 SIM 的闭合形式泛函的方法

    Mar, 2024

  • VS-PINN: 使用变量缩放方法解决具有严格行为的偏微分方程的物理约束神经网络的快速高效训练

    提出一种使用变量缩放技术训练物理信息神经网络（PINNs）的新方法，通过对神经切线核（NTK）的分析提供理论证据并证明这种方法确实可以提高 PINNs 的性能。

    Jun, 2024

  • 基于物理知识的神经网络分裂方法推断整数和分数阶神经元模型的动力学

    本研究提出了一种新的方法，splitting PINN, 通过将物理信息神经网络（PINNs）与分裂方法相结合，成功地应用到前向动力系统中，改进了神经元模型的精度，并发展出了一个 $L^1$ 方案来离散分数阶导数，在解决整数和分数阶神经元模型等方面具有潜在的优势。

    Apr, 2023

  • 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