ConDiff: 一个用于偏微分方程的神经求解器的挑战数据集
本文研究神经网络的偏微分方程模型,通过对其进行分析,证明了这些模型可以由对流 - 扩散方程表达,从而为神经网络提供了数学基础和更深入的理解。基于这个模型,我们设计了一种新的网络结构,将扩散机制融入网络体系结构,并通过广泛实验验证了该模型的性能。
Mar, 2024
深度神经网络与偏微分方程之间的关系启发我们研究了深度神经网络的偏微分方程模型的一般形式。在一些合理的假设下,我们证明演化算子实际上由对流 - 扩散方程决定。这个模型为几个有效的网络提供了数学解释。此外,我们还展示了对流 - 扩散模型提高了鲁棒性并减小了 Rademacher 复杂度。基于对流 - 扩散方程,我们设计了一种适用于 ResNets 的新训练方法。实验证实了所提出方法的性能。
Jul, 2023
为解决物理机器学习中的数据稀缺性问题,我们提出了一种新的物理模拟数据生成方法,利用扩散模型生成合成数据样本,并通过两种情况下的比较检验生成数据样本的准确性和符合物理法则的一致性,从而使它们能够有效地用于下游任务。
Jun, 2023
利用对比预训练框架和广义对比损失实现神经算子在多个方程上的泛化,提高了傅里叶神经算子在固定未来任务中的准确性和泛化能力,同时在一维热、Burgers' 和线性对流方程的自回归展开和超分辨率任务中表现出相当的性能。
Jan, 2024
本文提出了一种新的框架,将神经网络、遗传算法和自适应方法相结合,应用于从稀疏噪声数据,不完整的备选库和空间或时间变化系数中发现偏微分方程。该方法在 Burgers 方程,对流扩散方程,波动方程和 KdV 方程上进行了测试,结果表明该方法对噪声数据具有鲁棒性,能够发现具有不完整备选库的参数 PDE。
May, 2020
通过使用生成扩散模型,我们引入了一个解决偏微分方程(PDEs)的通用框架,特别关注在没有足够知识的情况下应用经典解算器的场景,并提出了 DiffusionPDE 方法,可同时填补缺失信息并解决 PDE 问题,通过建模解空间和系数空间的联合分布,学得的生成先验能够准确解决多种偏微分方程在部分观测下的情况,明显优于现有前向和反向 PDE 方法。
Jun, 2024
本文对深度神经网络用于偏微分方程 (PDEs) 求解的现状和潜在应用进行了综述,分析和分类了相关方法在科学研究和工程场景中的应用,介绍了这一领域的来源、历史、特点、类型以及未来趋势。
Oct, 2022
本文探讨了近似理论对神经网络在数值分析实际学习问题中的影响,并以基于机器学习的参数化偏微分方程求解为例进行了全面的数值研究。研究表明,参数空间维度与求解子流形的内在维度对模型性能有微弱的影响。通过测试数据的优化和采样来确立测试用例之间的可比性。研究发现,近似理论对数值分析学习问题的实际行为产生了重要影响。
Apr, 2020
提出一种实用的方法,通过神经网络来精确实现偏微分方程控制,利用可微分优化和隐式函数定理来有效实施物理约束,模型能够在域内提供准确满足期望物理约束的连续解。
Jul, 2022
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