利用物理引导和频率增强的循环神经网络增强时空预测
本文介绍 PhICNet 的混合框架,将基于物理的数值模型与深度学习结合,实现源识别和预测。实验结果表明,该模型可以长时间预测动态和确定外部引力源。
Apr, 2020
本文介绍了一种基于物理辅助的时空网络(PastNet)的方法,该方法通过将谱卷积运算引入傅里叶域,有效地引入潜在物理定律的归纳偏差,并使用估计的内在维度的存储器库来离散化本地功能以降低计算成本和促进高分辨率视频预测。与现有的方法相比,PastNet 在高分辨率场景下的效率和效果更佳。
May, 2023
提出了一个物理感知元学习的框架,该框架利用偏微分方程独立的知识并利用空间模块来适应有限的数据,从而缓解了元学习需要大量真实世界任务的需要,以模拟数据为基础进行元初始化,并在合成和真实世界的时空预测任务中展示了其卓越的性能表现。
Jun, 2020
本文提出了一种物理知识驱动的深度学习超分辨率框架,用于增强时间依赖型偏微分方程 (PDE) 的空时分辨率。该框架包含两个可训练模块,先进行空间超分辨率再进行时间超分辨率,实现高分辨率输出,同时满足物理约束条件,应用于工程设计中以减少计算复杂度。
Dec, 2022
本文提出了一种新颖的基于物理信息的神经网络框架,用于解决时间依赖偏微分方程,利用离散余弦变换对空间频率进行编码,再利用循环神经网络处理时间演化,从而实现对问题的时空动态的潜在表达,提高了物理相关模型的效率和灵活性,并在 Navier-Stokes 方程的 Taylor-Green 涡旋解上实现了最先进的性能。
Feb, 2022
本文研究了基于深度学习的时空预测问题,并探索使用物理知识来改进深度预测方法的两个主要研究方向:一是使用训练损失函数来改进模型的性能,包括确定性情况和概率情况;另一个是通过深度数据驱动网络来增强不完备的物理模型,以实现准确的预测。
May, 2022
本文提出了一种基于数据驱动的普适专家模块,即光流估计组件,用于捕捉广泛的实际物理过程的演化规律;通过精细的物理流程设计和神经离散学习,增强了局部洞察力并获得潜在空间中的重要特征。实验结果表明,与现有的基线方法相比,所提出的框架取得了显著的性能提升。
Feb, 2024
本文介绍了一种新型的框架,将物理学的科学知识与递归神经网络相结合,来推进许多动态系统的科学发现。我们将描述使用基于物理模型的输出来学习混合物理数据模型的方法,并进一步将现实动态系统的物理知识作为训练递归神经网络的附加约束。我们应用此方法来模拟湖泊温度和水质,通过使用科学知识指导构建和学习数据驱动模型,我们证明该方法可以实现更好的预测精度以及结果的科学一致性。
Oct, 2018
本文提出一种模块化的设计方法,将时空序列模型分解为空间编码器 - 解码器和预测器两个模块。通过在 KTH-Action 和 MovingMNIST 数据集上进行实验,我们提高了计算性能并获得了最先进的结果。
Oct, 2022
使用神经网络和偏微分方程提取动态数据中的模型,参数化模型来结合空时样本相关性,在 MNIST 和 Fashion MNIST 上与其他深度神经网络进行了比较,证明本方法能够降低参数成本。
Aug, 2019