Jun, 2024

Kolmogorov Arnold 信息神经网络：基于 Kolmogorov Arnold 网络解决偏微分方程的物理信息深度学习框架

PDF
TL;DRAI for partial differential equations has seen advancements through Physics-informed neural networks, specifically the Kolmogorov-Arnold Network, which offers interpretability and requires fewer parameters. The paper proposes a new approach, Kolmogorov-Arnold-Informed Neural Network (KINN), based on KAN, to solve PDEs in computational solid mechanics, providing more accurate and faster solutions except for complex geometry problems.
发现论文，激发创造
  • MLP 和 KAN 表示方法在微分方程和操作网络中的全面公正比较

    KANs 被引入作为 MLP 的替代表征模型，本研究中，我们应用 KANs 构建了 PIKANs 和 DeepOKANs 用于解决正向和逆向微分方程问题，与基于标准 MLP 表征的 PINNs 和 DeepONets 进行对比，发现虽然基于 B-splines 参数化的原始 KANs 精度和效率较低，但基于低阶正交多项式的修改版本性能与 PINNs 和 DeepONet 相当，尽管这些版本仍然缺乏稳健性，因为它们可能对不同的随机种子或更高阶的正交多项式发散。我们通过信息瓶颈理论可视化了相应的损失态势并分析了他们的学习动态。本研究符合 FAIR 原则，其他研究者可以利用我们的基准来进一步推动这个新兴领域。

    Jun, 2024

  • 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

  • 基于物理学信息的无标签数据计算弹性动力学的深度学习

    本文提出了一种基于物理学信息神经网络（PINN）的方法来解决在没有标注数据的情况下建模弹性动力学问题的挑战，进一步解决了复杂的 I/BCs 在弱正则化 PINN 框架下无法很好满足的问题，在多个数值弹性例子中展示了该方法的可行性。

    Jun, 2020

  • 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

  • 物理信息图神经 Galerkin 网络：求解 PDE 控制的正向和反向问题的统一框架

    本研究介绍了一种新型离散 PINN 框架，基于图卷积网络和 PDE 的变分结构，能够在前向和反向设置中严格施加边界条件和吸收稀疏数据，适用于处理不规则几何形状和非结构化网格等应用领域。

    Jul, 2021

  • 物理引导神经网络优化的建筑策略

    物理启发的神经网络（PINNs）通过将深度学习与基本物理原理相结合，为解决偏微分方程中的正向和反向问题提供了一种有前途的方法。本研究从神经网络架构的角度深入探讨了 PINN 优化的复杂性，利用神经切向核（NTK），揭示了高斯激活提供了比其他激活函数更有效训练 PINNs 的优势。在数值线性代数的启示下，我们引入了一种经过预处理的神经网络架构，展示了这种定制架构如何增强优化过程。我们通过对科学文献中已有的偏微分方程进行严格验证，证实了我们的理论发现。

    Feb, 2024

  • 有限基础的科尔莫哥洛夫 - 阿诺德网络：数据驱动和物理启发问题的域分解

    使用有限基础 Kolmogorov-Arnold 网络（FBKANs）和域分解方法，可以通过在并行中训练多个小型网络来解决多尺度问题，得到对噪声数据和物理相关训练具有准确结果的科学机器学习方法。

    Jun, 2024

  • 传统线性求解器能否被基于物理启发的深度学习所替代？

    本篇论文探讨了 PINN 作为线性求解器的潜力，在 Poisson 方程中评估了不同参数下的表现和精度，并且阐述了传递学习的关键作用。同时，论文也提出了将 PINN 与传统线性求解器相结合的方法，以解决高频解的问题，并表明该混合策略在发展具有潜力的新型线性求解器方面具有前景。

    Mar, 2021

  • 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