Jun, 2024

适应物理信息神经网络以优化蚊虫种群动力学的常微分方程

PDF
TL;DR物理信息神经网络被广泛应用，能够将物理定律融入数据驱动模型中，以确保预测不仅与实证数据一致，还与领域特定的物理方程知识相符。该研究提出了一个改进的物理信息神经网络框架，用于 ODE 系统的正向和反向问题，并以蚊子种群动力学模型为案例应用。该方法通过逐步扩大训练时间域来解决 PINN 中的时间因果性问题，并利用模拟数据进行实验验证其有效性，初步结果表明物理信息机器学习在推动生态系统研究方面具有重要潜力。
physics informed neural networkspinn frameworksode systemsmosquito population dynamicsphysics-informed machine learning
发现论文，激发创造
  • 基于物理知识的神经网络框架用于障碍相关方程建模

    本文探索使用 PINNs 求解障碍相关的偏微分方程，通过多种场景对线性和非线性、规则和不规则障碍下的 PDE 进行求解，表现良好。

    Apr, 2023

  • 基于物理知识的神经网络在高频和多尺度问题上的应用及迁移学习

    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

  • 物理知识驱动神经网络的单次迁移学习

    本研究提出了一种用于转移学习的物理学启发式神经网络（PINNs）通用框架，可用于解决普通和偏微分方程线性系统的一次推断，解决了传统数值方法的许多问题，并通过解决多个实际问题展示了这一神经网络的高效性。

    Oct, 2021

  • 可调谐复杂性基准用于评估基于物理信息神经网络在耦合的常微分方程上

    本文评估物理启发型神经网络（PINN）解决越来越复杂的耦合常微分方程（ODE）的能力。我们着重研究了一对基准问题：离散化的偏微分方程和谐振子，每个问题都有一个可调参数来控制它的复杂性。通过改变网络架构和应用先进的训练方法，我们表明随着复杂性的增加，即方程组数和时间域的大小，PINN 最终无法正确产生这些基准问题的解。我们确定了这种情况可能出现的几个原因，包括网络容量不足、ODE 的条件较差以及 PINN 损失的 Laplacian 所测定的高局部曲率。

    Oct, 2022

  • 面向实际物理系统编码动力学的基于物理信息的神经网络

    本文通过研究物理信息驱动的神经网络（PINNs）来编码控制方程，并评估其在两个不同系统的实验数据上的表现。我们发现，在简单的非线性摆系统中，PINNs 在理想数据情况下胜过了等效的无信息神经网络（NNs），在 10 个线性间隔和 10 个均匀分布的随机训练点上的准确度分别提高了 18 倍和 6 倍。在使用来自实验的真实数据进行类似测试的情况下，PINNs 相对于 NNs 的准确度提高了 9.3 倍和 9.1 倍，分别对应于 67 个线性间隔和均匀分布的随机点。此外，我们还研究了物理信息驱动模型在物理系统中的可行性，并选择 FPGA 作为部署计算的基板。鉴于此，我们使用了一台 PYNQ-Z1 FPGA 进行实验，并找出了与时间相干感知和空间数据对齐相关的问题。根据提出的系统架构和方法，我们讨论了从这项工作中获得的见解，并列出了未来工作计划。

    Jan, 2024

  • 物理学启发的神经网络（PINN）在流体力学中的应用：综述

    本文回顾了在流体力学问题中使用基于物理学的神经网络（PINNs）的方法，将数据和数学模型无缝集成。该方法可以用于求解涉及三维尾流、超音速流和生物流动等方面的逆向问题。

    May, 2021

  • 物理信息神经网络在流体动力学代理建模中的改进

    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

  • 高维反问题中基于物理知识神经网络的最大似然估计

    本文提出了一种基于最大似然估计的反向物理知识神经网络方法，解决高维背景物理时空方程的拟合问题，并利用奇异值分解作为预处理器进行协方差矩阵求逆，从而省去了超参数调整的必要性。

    Apr, 2023

  • 使用物理知识引导的神经网络求解高阶 Lane-Emden-Fowler 类型方程：软约束与硬约束的性能比较评估

    本文研究了使用物理启示神经网络 (PINN) 求解高阶常微分方程 (ODE) 的数值方法，成功应用于解决不同类别的奇异 ODE，介绍了两种方法并比较了它们的优缺点。

    Jul, 2023

  • 基于物理信息的神经网络及其在物理信息机器学习中的相关模型的数值分析

    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