PITA: 物理知识引导的轨迹自编码器
建筑能源建模中经常观察到的缺失数据需要用先进的数据驱动解决方案来反映这些异常的非线性行为。本文提出了在商业建筑中使用基于物理信息的去噪自编码器 (PI-DAE) 进行缺失数据填补的方法，并通过引入物理知识到网络中实现了更可解释的预测，从而促进了该方法的实际应用。
Nov, 2023
本文提出了一种新的自动驾驶车辆轨迹预测方法，名为 PTNet，其通过结合古典的纯追踪路径跟踪算法和现代基于图形的神经网络，能够在保证预测轨迹的物理现实性的同时，表现与其他最先进的方法相同，并且只需要原有方法所需数据的一半。
Apr, 2021
本文提出了一种新颖的基于物理信息和深度自编码器的学习校准方法，通过结合经典的深度自编码器和交通流动模型，以相对于传统基于优化方法的方法可比甚至更好的性能处理流量和速度测量来推出合理的交通参数。同时，引入去噪自编码器来应对有缺失值的交通数据的处理，我们通过 I-210 E 的案例研究来验证了我们的方法。
Jul, 2023
本文提出了一种多变量物理信息卷积自编码器（PIConvAE）模型，用于检测具有不平衡配置和高分布式能源资源渗透的电力配电系统中的网络异常。该模型通过定制的损失函数将物理规律嵌入到自编码器的训练过程中，通过对 IEEE 123-bus 系统和 Riverside，CA 的现实用电线路进行评估，结果表明该方法在检测两个系统中的各种网络异常方面表现出了卓越的性能。此外，文章还将该模型的有效性在不同训练数据比率的数据稀缺情况下进行了评估，并将该模型与现有的机器学习模型进行了性能比较，表明 PIConvAE 模型在检测指标方面明显超越其他模型。
Jun, 2024
本文介绍了一种名为感知生成自编码器的新型生成模型。该模型通过将生成的和目标分布映射到一个潜空间中，并用具有理论依据的数据和潜空间重构损失同时在数据空间和隐空间中强制同步，从而能够在无限制的神经网络体系结构和任意数量的潜在维度上推广可逆生成模型的思想，并且在样本质量方面显著优于传统自编码器和其他基于自编码器的生成模型。
Jun, 2019
物理整合生成建模是一种混合或灰箱建模，其中我们用物理知识来增强数据驱动模型，使其在受控的方式下产生符合物理法则的输出，从而提高外推能力和解释性。本文旨在通过使用变分自动编码器作为生成模型来改善物理整合生成模型的重建保真度和对噪声的鲁棒性，通过计划正则化流来学习物理和可训练数据驱动组件的潜在后验分布，同时在编码器中引入基于缩放点乘注意力的上下文信息以减轻潜在向量中噪声的不利影响并使模型更加鲁棒。我们在人体运动数据集上对模型进行了实证评估，结果验证了我们提出的模型在重建质量和对模型注入噪声的鲁棒性方面的有效性。
Apr, 2024
该论文探讨了如何将物理先验知识加入数据驱动模型，提高模型的质量和稳定性，并以 Lyapunov 分析为视角，通过研究液体流动预测的典型问题，验证了保持 Lyapunov 稳定性的模型可以提高泛化性能并减少预测不确定性。
May, 2019
该研究使用生成模型和深度学习来构建基于物理系统的仿真模型，通过引入 inVAErt 网络，利用确定性编码器和解码器来表示正向和逆向解决方案映射，结合归一化流来捕捉系统输出的概率分布，以及变分编码器来学习输入和输出之间的紧凑潜在表示。研究对损失函数中的惩罚系数选择和潜在空间采样策略进行了正式研究，并通过广泛的数值实例验证了该框架，包括简单线性、非线性和周期性映射，动力系统和时空偏微分方程。
Jul, 2023
使用具有热力学感知能力的神经网络，通过增加物理系统的测量分辨率并预测其时间演化。该方法使用对抗自编码器将完全有序模型的维数降低到一组隐变量中，并确保这些变量符合先验（例如正态分布）。然后，利用第二个神经网络学习隐变量的物理结构和预测其时序演变，该神经网络称为结构保持神经网络。通过将整合轨迹解码为其原始维度以及由对抗自编码器产生的高维空间，将其与真实解进行比较。该方法在两个流体在圆柱上的例子中进行了测试，液体属性在两个例子之间存在变化。
Feb, 2024