贝叶斯 PINN 逆问题估计速率
提出一个贝叶斯物理知识推断神经网络(B-PINN)框架,结合贝叶斯神经网络(BNN)和偏微分方程参数复合神经网络(PINN)以解决由偏微分方程和噪声数据描述的前向和反向非线性问题,并进行不确定性量化和 posterior 分布估计。
Mar, 2020
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
通过测试传统 PINN 方法的表达能力,本论文提出了一种分布式 PINN(DPINN),并与原方法进行了对比,试图直接使用物理信息神经网络来解决非线性偏微分方程及二维稳态 Navier-Stokes 方程。
Jul, 2019
本文介绍了一种基于物理信息的神经网络(PINN)来解决偏微分方程的方法,并提出了一种基于容差的正确性条件的后训练框架(CROWN),用于限制 PINN 残差误差,并在经典 PDE 和现实应用中进行了实际效果测试。
May, 2023
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
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
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
通过在前馈神经网络中嵌入偏微分方程所描述的物理信息,物理信息导向的神经网络(PINNs)作为深度学习的一种有前途的方法,用于解决偏微分方程(PDEs)。然而,尽管 PINNs 表现出卓越的性能,但它们在处理解快速变化的方程时可能面临困难。为了解决这些问题,我们提出了一种二进制结构的物理信息导向神经网络(BsPINN)框架,其中采用二进制结构神经网络(BsNN)作为神经网络组件。通过利用相对于完全连接的神经网络减少神经元连接的二进制结构,BsPINNs 在更有效和高效地捕捉解的局部特征方面表现出色。在一系列解决 Burgers 方程、Euler 方程、Helmholtz 方程和高维 Poisson 方程的数值实验中,BsPINNs 展现出优异的收敛速度和更高的准确性,相较于 PINNs。从这些实验中,我们发现 BsPINNs 解决了 PINNs 中增加的隐藏层导致过度平滑的问题,并防止了 PDEs 解不光滑导致准确性下降的问题。
Jan, 2024