Jun, 2024

带有隐藏层级连接的物理启发神经网络的 PDE 近似的误差分析与数值算法

PDF
TL;DR通过隐藏层级连接的物理信息神经网络方法，结合了隐藏层级连接的前馈神经网络、改进的时间步进策略和逼近偏微分方程的物理信息方法。我们分析了该方法在两种类型的偏微分方程（抛物型和双曲型）中的收敛性和误差限定，并展示了通过长时间段的动态模拟来有效控制其解的逼近误差。该方法原则上允许两个或更多个隐藏层级，并且在第二个隐藏层级之后，可以使用任意常用的平滑激活函数。基于所提出的算法，我们提出了适用于这些偏微分方程的适当训练损失函数，这使得我们的方法与标准的物理信息神经网络（PINN）形式有所不同。通过大量的数值实验证实了该方法的有效性，并验证了理论分析中的某些方面。
hidden-layer concatenated physics informed neural networkpde approximationconvergence propertiestraining loss functionsnumerical experiments
发现论文，激发创造
  • 关于物理信息神经网络在线性二阶椭圆型和抛物型偏微分方程中的收敛性

    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

  • 解决双曲型偏微分方程的深度学习框架：第一部分

    开发了一种基于物理信息的深度学习框架，用于近似解非线性偏微分方程，可以在不预先了解解的性质或不连续点的位置的情况下发展出震荡或不连续的解。

    Jul, 2023

  • 用物理视知卷积神经网络求解球面上的 PDEs

    通过使用深度卷积神经网络和球谐分析的最新近似结果，我们对物理信息的卷积神经网络（PICNN）在球面上求解偏微分方程的数值性能进行了严格的分析，并证明了其与 Sobolev 范数的逼近误差的上界。随后，我们将此与创新的定位复杂度分析相结合，建立了 PICNN 的快速收敛速率。我们的理论结果也得到了我们的实验的证实和补充。根据这些发现，我们探索了解决高维 PDEs 时出现的维度诅咒的潜在策略。

    Aug, 2023

  • LatentPINNs：通过潜在表示学习生成物理信息神经网络

    本研究提出了一种名为 latentPINN 的框架，通过将偏微分方程（PDE）参数的潜在表示作为额外的输入进行 PINN 模型的训练，使用两个阶段的训练来学习 PDE 参数的潜在表示，并通过在解决区域内随机生成空间坐标和 PDE 参数值的样本进行物理感知神经网络的训练，试验结果表明该方法在不需要任何额外训练的情况下可以很好地适用于不同的 PDE 参数。

    May, 2023

  • 物理信息神经网络密集倍增

    提出了一种密集乘积 PINN (DM-PINN) 架构，通过将隐藏层的输出与所有后面的隐藏层的输出相乘，不引入更多的可训练参数，它可以显著提高 PINNs 的准确性。对四个基准示例 (Allan-Cahn 方程、Helmholtz 方程、Burgers 方程和 1D 对流方程) 对所提出的架构和不同的 PINN 结构进行比较，证明了 DM-PINN 在准确性和效率上的卓越性能。

    Feb, 2024

  • 基于超网络的元学习低秩物理知情神经网络

    通过提出一种轻量级低秩 PINN 和相关的超网络元学习算法，本研究有效地解决了在各种工程和应用科学应用中需要对多个输入参数进行重复数值模拟的问题，并展示了该方法在克服 PINN 的 “失败模式” 方面的有效性。

    Oct, 2023

  • PPINN: 时变偏微分方程的 Parareal 物理信息神经网络

    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

  • 鲁棒的物理信息神经网络

    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。

    Jan, 2024

  • NeuralPDE：使用误差逼近自动化物理特解神经网络（PINNs）

    本文详细解释了物理启发神经网络（PINNs）内部运作机制，提出了结合数值积分的新的损失函数，介绍了扩展损失函数在参数估计和算子发现中的应用，并展示了如何使用纯符号公式生成全部的训练代码；随后给出了详细的性能分析来展示在大量偏微分方程（PDEs）上使用学习技术的权衡；最后，着重介绍了麻烦、复杂的多物理场例子，Doyle-Fuller-Newman（DFN）模型，展示了如何使用 NeuralPDE 将其表达并求解。这份论文旨在提供一个详细而易懂的技术报告，以帮助潜在的用户快速了解 PINN 技术的实际表现和使用案例。

    Jul, 2021

  • 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