Apr, 2024

求解参数化二阶椭圆型偏微分方程的有限元算子学习方法的误差分析

PDF
TL;DR本论文通过对经典有限元逼近的一种不依赖数据的操作学习方法 —— 有限元算子网络 (FEONet) 进行理论分析，首先确定了该方法在具有一般二阶线性椭圆型偏微分方程与神经网络逼近参数的收敛性。其次，推导出了自伴随情况下的显式误差估计，验证了解的某些函数类别在神经网络逼近中具备期望正则性的充分条件。最后，通过一些数值实验支持理论发现，确认了有限元矩阵条件数在整体收敛中的作用。
发现论文，激发创造
  • 有限元算子网络求解参数型偏微分方程

    使用有限元算子网络 (FEONet) 提出了一种解决参数化偏微分方程的新方法，它结合了深度学习和传统的数值方法，在缺乏配对的输入输出训练数据的情况下解决参数化偏微分方程，成功地解决了多个基准问题，表现出更高的精确度、泛化能力和计算灵活性，对于模拟具有不同边界条件和奇异行为的复杂领域，展示了潜在的应用前景，此外，还提供了有限元逼近在数值分析中支持我们方法的理论收敛性分析。

    Aug, 2023

  • 物理信息操作学习与有限元法的参数学习偏微分方程的融合

    利用物理知识驱动的深度学习方法在异质固体中解决参数化偏微分方程，它的关键是建立复杂的热导率分布、温度分布和热流分量之间的联系，通过固定边界条件，在这项工作中，我们独立于有限元方法等经典求解器，并通过基于离散弱形式的损失函数定义方法给出出色的结果，该损失函数是一个代数方程，大大提高了训练效率。通过将我们的方法与标准有限元方法进行基准测试，我们展示了使用训练有素的神经网络在温度和通量剖面方面进行准确且更快的预测，我们还展示了在未知情况下，与纯数据驱动方法相比，所提出的方法具有更高的准确性。

    Jan, 2024

  • 非线性双曲型偏微分方程的基于学习的解法：关于广义误差的经验研究

    利用 Fourier 神经算子学习非线性双曲型偏微分方程的弱解并采用物理学启发式正则化策略可以提高模型的预测能力，研究表明 Fourier 神经算子具有良好的泛化能力，尽管随着初始和边界条件的分布复杂度线性增长，其泛化误差也呈现线性增长。

    Feb, 2023

  • 面向物理学习的算子学习的近似误差的通用界限

    提出了一种通用的框架，用于导出物理相关神经网络（PINN）和操作器学习结构（如 DeepONets 和 FNOs）以及物理相关操作器学习的逼近误差的严格界限，并保证这些结构将有效逼近一般偏微分方程（PDE）的解或解算子。

    May, 2022

  • 关于傅里叶神经算子通用逼近和误差界限

    该研究证明了 Fourier 神经算子 (FNOs) 具有普适性，可近似于任何持续算子，且能够高效逼近在多种偏微分方程中涉及的算子。

    Jul, 2021

  • 基于有限元的物理知情的算子学习框架用于任意域的时空偏微分方程

    我们提出了一种新颖的基于有限元的物理信息算子学习框架，用于预测由偏微分方程（PDEs）控制的时空动态。该框架利用了受有限元方法（FEM）和隐式欧拉时间积分方案启发的损失函数。通过考虑瞬态导热传导问题进行性能测试，该算子学习框架将当前时间步的温度场作为输入，预测下一个时间步的温度场。实施物理学约束的热传导方程 Galerkin 离散弱形式被用作损失函数，称为有限算子学习（FOL）。经过训练，网络成功预测了任意初始温度场的时间演化，与有限元方法解决方案相比具有较高的准确性。该框架也适用于具有异质热导率和任意几何形状的情况。FOL 的优势可以概括为：首先，训练是以无监督的方式进行的，避免了需要准备大量昂贵模拟或实验数据集的需求。相反，使用由高斯随机过程和傅里叶级数生成的随机温度模式结合恒温场作为训练数据，以覆盖可能的温度情况。其次，利用形状函数和向后差分逼近进行域的离散化，得到一个纯代数方程。这提高了训练效率，同时避免了在优化权重和偏差时耗时的自动微分过程，虽然可能会导致离散化误差。最后，由于有限元方法的插值能力，FOL 能处理任意几何形状，这对于解决各种工程应用场景至关重要。

    May, 2024

  • DeepONet：基于算子的普适逼近定理学习非线性算子用于鉴别微分方程

    神经网络具有普适逼近能力，使用一层隐藏层即可精确逼近任何非线性连续算子，但需要 DeepONet 结构通过降低泛化误差以实现其潜力应用。

    Oct, 2019

  • 基于 MIONet 的混合迭代方法在 PDEs 上的理论与数值实例

    提出了一种基于 MIONet 的混合迭代方法，它结合了传统的数值迭代求解器和最新的神经算子强大机器学习方法，并进一步系统地分析了其理论性能，包括收敛条件、频散行为以及收敛速度，以离散化误差和模型推断的错误为参考，在常用的平滑器（即 Richardson（阻尼 Jacobi）和 Gauss-Seidel）的理论结果中进行了展示。我们给出了混合方法的收敛速度上界，该上界指示了实现混合迭代最快收敛的最佳模型修正周期。通过对 1 维（2 维）泊松方程的混合 Richardson（Gauss-Seidel）迭代的多个数值例子进行验证，证实了我们的理论结果，并且反映出卓越的加速效果。作为一种无网格加速方法，它具有巨大的实际应用潜力。

    Feb, 2024

  • 基于深度运算网络的代理建模的新数据生成方案

    在本研究中，我们提出了一种新颖的方法来减轻 DeepONets 训练数据生成的计算负担，通过使用高斯过程回归 (GPR) 来生成输出场，然后利用有限差分技术计算输入源场，从而显著减少了与 DeepONet 的训练数据集生成相关的计算成本。该方法可以推广到其他操作学习方法，并适用于多种边界值问题，以验证这种方法。

    Feb, 2024

  • 通过 MIONet 学习在变动域上定义的偏微分方程的解算符

    提出了一种利用 MIONet 在具有不同域定义的偏微分方程上学习求解算子的方法，并在理论上对此方法进行了验证。通过将 MIONet 的逼近理论扩展到处理度量空间，构造了一组包含适当区域的集合，并在该集合上提供了一种满足 MIONet 逼近条件的度量，从而在处理包括微分算子、右手边项、边界条件和域参数在内的各种参数变化的 PDE 的求解映射方面取得了进展。实验证明该方法在处理凸多边形、具有光滑边界的极坐标区域以及不同离散程度的任务预测方面表现出色。明确地指出，这是一种无网格方法，因此可以作为一种一类 PDE 的通用求解器灵活使用。

    Feb, 2024