通过插值神经网络实现工程软件 2.0:训练、求解和校准的统一化
提出了使用物理知识的可逆神经网络 (PI-INN) 来解决贝叶斯反问题的新方法,其中包括 INN 和 NB-Net 两个子网络来提高估计后验概率分布的可行性,并采用新的独立损失项来保证 INN 输出的统计独立性,通过数值实验验证了其高效性和准确性。
Apr, 2023
文章综述了物理学启发的神经网络(PINN)的文献,并介绍了其特点和优缺点。此外,研究还包括了使用 PINN 以及它的许多其他变体解决 PDE、分数方程、积分微分方程和随机 PDE 的广泛应用领域,以及它们的定制化方法,如不同的激活函数、梯度优化技术、神经网络结构和损失函数结构。虽然该方法被证明在某些情况下比有限元方法更可行,但它仍面临理论问题尚未解决。
Jan, 2022
我们提出了一种量子门算法,称为量子可逆神经网络(QINN),并将其应用于 LHC 数据中的粒子对撞机精密测量的标准参考过程 - 带有衰变到轻子的 Z - 玻色子的喷注相关产生。我们在不同损失函数和训练场景下比较了 QINN 的表现,并发现在此任务中,混合量子可逆神经网络与学习和生成复杂数据方面性能相当于一个显著更大的纯经典可逆神经网络。
Feb, 2023
本文探讨了逆问题的数学定义,提出了一种称为 Invertible Neural Networks (INNs) 的神经网络模型,利用预定义的正向过程和额外的 latent output variables 来解决参数估计问题,并在人工数据和实际问题中发现 INN 是解决参数分布分析、寻找多模态和相关性较强的关键性分析工具。
Aug, 2018
利用极限学习机来训练具有一层隐藏层的前馈神经网络(也称为浅层或两层网络),研究插值问题中的准确性以及使用 Chebychev 节点时的全局多项式逼近与 ANN 插值函数的异常行为。
Aug, 2023
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
本文提出了一种称为 3D Interpreter Networks (3D-INN) 的网络,该网络旨在从单个图像中提取 3D 对象的姿态和结构信息。该网络基于 2D-annotated 真实图像和合成 3D 数据进行训练,并通过中间表示关键点的热图连接真实和合成数据。实验表明,该系统在 2D 关键点估计和 3D 结构恢复方面表现良好。
Apr, 2018
本研究提出了 Wasserstein introspective neural networks 方法,它是一个生成器和一个辨别器在单个模型内。Wasserstein introspective neural networks 方法通过加强 introspective neural networks 方法的生成建模能力而得到了显着的改进。实验结果表明,Wasserstein introspective neural networks 方法在纹理、面部、和物体建模以及抵御对抗攻击等问题上具有不错的表现。
Nov, 2017
该研究详细调查了基于 PINNs 的外推行为,并提供了证据,通过分析解函数的傅里叶谱,表征了产生有利外推行为的 PDE,并展示了一种基于转移学习的策略,可将 PINNs 的外推误差降低高达 82%。
Jun, 2023