探索基于 PDE 的点云视频表示学习模型
介绍了一种两分支深度体系结构(PhyDNet)和新的递归物理单元(PhyCell),用于利用 PDE 描述的物理知识改进无监督视频预测方法,并且在四个不同的数据集上进行了广泛实验,表明了 PhyDNet 超越了现有方法的能力。
Mar, 2020
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
我们介绍了一种新颖的网格无关模型,用于从具有噪声和部分观测的不规则时空网格中学习偏微分方程。我们提出了一种空时连续潜在神经偏微分方程模型,具有高效的概率框架和新颖的编码器设计,以提高数据效率和网格独立性。潜在状态动态由一个将格点法和线法结合的偏微分方程模型来控制。我们采用分摊变分推断进行近似后验估计,并利用多射击技术来提高训练速度和稳定性。我们的模型在复杂的合成和真实世界数据集上展示了最先进的性能,克服了以前方法的局限,有效处理部分观测数据。该模型优于最近的方法,显示了推进数据驱动的偏微分方程建模的潜力,并能够对复杂的部分观测动态过程进行稳健、网格无关的建模。
Jul, 2023
该论文通过偏微分方程的理论框架,提出了三种新型的 ResNet 神经网络架构,分别属于抛物线和双曲线类型的 CNN,能够提供深度学习的新算法和思路,并用数值实验证明了它们的竞争力。
Apr, 2018
本文介绍了一种新的技术方法,将机器学习的两种方法进行融合,通过物理知识驱动的神经网络和卷积神经网络相结合,解决了部分微分方程(PDE)的求解问题,实现了快速且连续的解决方案。通过在不需要预先计算训练数据的情况下,只使用物理信息的损失函数进行训练,同时展示了该方法在不可压缩 Navier-Stokes 方程和阻尼波动方程中的应用。
Sep, 2021
本文介绍了使用深度学习发现复杂数据集中隐藏的偏微分方程 (包括线性和非线性方程)。通过使用测量数据进行必要的输入数据转换来实现发现过程中的坐标转换。同时,展示了用于选择特征和模型的技巧。通过本文的分析,可以发现非线性二阶偏微分方程的动力学可以由我们的深度学习算法自动准确地描述为普通微分方程。在研究更复杂的模拟时,也可以得到类似的结果。
Aug, 2018
采用元学习方法将神经网络拟合偏微分方程组的解,并最终在不同的参数、几何域和边界条件下对非线性 Poisson 方程、1D Burgers 方程和超弹性方程组等问题,以较快的速度达到近似精度,且无需传统的有限元分析求解器。
Nov, 2022
我们提出了一种基于神经网络的元学习方法,用于高效解决偏微分方程(PDE)问题。该方法通过元学习来解决各种各样的 PDE 问题,并将这些知识用于解决新的 PDE 问题。我们使用神经网络将 PDE 问题编码成问题表示,其中,控制方程由偏导数的多项式函数的系数表示,边界条件由一组点条件对表示。我们将问题表示作为神经网络的输入来预测解决方案,通过神经网络的前向过程,我们能够高效地预测特定问题的解决方案,而无需更新模型参数。为了训练我们的模型,我们最小化在基于物理知识的神经网络框架中适应 PDE 问题时的预期误差,通过这种方式,即使解决方案未知,我们也能评估误差。我们证明了我们提出的方法在预测 PDE 问题的解决方案方面优于现有方法。
Oct, 2023
提出了一种新的数据驱动的降阶建模方法来高效求解参数化的偏微分方程问题,并利用隐式神经表示来对物理信号进行连续建模,而与空间 / 时间离散化无关。
Nov, 2023
本文提出了一种从真实数据中学习建立偏微分方程组以解决计算机视觉和图像处理问题的方法,并通过实验表明该方法可以相对良好地解决传统建立方式无法解决的问题。
Sep, 2011