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
通过使用随机数据和 dropout 法来分别表示参数不确定性和近似不确定性,将经典的 PINN(物理信息神经网络)与 NN-aPC 的推广相结合,扩展了我们的工作到多维随机偏微分方程。
Sep, 2018
对物理启发机器学习中的物理信息神经网络和相关模型的数值分析结果进行综合评述,并重点阐述了在近似偏微分方程时 PINN 所产生的误差在各个组成部分的行为,以及与 PDE 类型和基础域维度相关的逼近、概括和训练误差的可用结果。同时阐明了解的稳定性和解的规则性对误差分析的作用,最后通过数值结果来说明训练误差对物理启发机器学习中各种模型整体性能的不利影响。
Jan, 2024
提出了一种严格确保硬线性等式约束的物理信息神经网络模型 KKT-hPINN,通过从 KKT 条件得出的投影层,进一步提高了预测准确性。
Feb, 2024
该论文介绍了新型 PINNs 的理论和实践研究,证明了其在解决偏微分方程方面的有效性和可靠性。
Apr, 2020
给定一些稀疏和 / 或嘈杂的数据,本文提出了一种纠正 PINNs 中模型错误的通用方法,使用其他深度神经网络 (DNNs) 建模模型偏差和观测数据之间的差异,从而扩展了 PINNs 在未知物理过程的复杂系统中发现规律方程的应用。
Oct, 2023
该研究介绍了一种名为 PPINN 的新型神经网络结构,可在短时间内解决时间依赖性偏微分方程问题,通过将一个长时间问题分解成许多由粗粒度求解器监督的独立短时间问题,PPINN 可以在几个迭代中实现收敛并获得显著加速。
Sep, 2019
通过引入基于物理的规则,将 PINNs 模型用于流体动力学的代理模型,证明了其在数据缺失,边界条件不明确以及复杂的工程系统逆向问题等方面的效果。并介绍了该建模方法的其他优点,包括提高模型的预测性能,提高对数据噪声的稳健性,并减少对于先前未见场景的优化收敛所需的时间。
May, 2021
我们介绍了一种鲁棒版本的物理启发式神经网络(RPINN)来近似求解偏微分方程(PDEs),该方法利用能量范数计算的残差和格拉姆矩阵的倒数构建了损失函数,在两个空间维度的拉普拉斯问题和对流扩散问题中进行了测试,结果表明 RPINN 是一种鲁棒的方法,其损失函数与解的真实误差在能量范数下相符,因此我们可以知道训练过程进行得如何,并在达到所需精度的真实误差下停止训练来获得 PDE 解的神经网络逼近。
本文介绍了一种基于物理信息的神经网络(PINN)来解决偏微分方程的方法,并提出了一种基于容差的正确性条件的后训练框架(CROWN),用于限制 PINN 残差误差,并在经典 PDE 和现实应用中进行了实际效果测试。
May, 2023