PAPM: 过程系统的物理感知代理模型
用深度学习方法建模复杂现象,以海表温度预测为例,展示了从物理学中获取的背景知识如何指导设计高效的深度学习模型,并证明了一个物理现象的微分方程的解与提出的模型之间的形式上的联系。
Nov, 2017
本论文基于深度学习方法开发了一个代理模型,以加速油藏模拟,相较于现有业界物理学基础偏微分方程求解器提高了三个数量级,并进行了深入的实验评估。我们证明,在实际环境中,可以实现超过2000倍的加速,平均序列误差约为10%相对于油田模拟器。该代理模型与高质量的基于物理学的加速基线进行对比,并显示其性能优于其几个数量级。本论文的结果非常有前途,并为持续开展油田开发优化方面的研究提供了有价值的基准。
May, 2019
本文提出一种组合物理感知有限体积神经网络(FINN),用于学习时空对流扩散过程,可在模拟偏微分方程(PDE)的同时融合人工神经网络的学习能力和数值模拟的物理和结构知识,实验结果表明FINN具有卓越的建模准确性、良好的超出分布泛化能力,并且仅需平均十分之一的参数数量就可以在各类情况下优于纯机器学习和其他最先进的物理感知模型。
Nov, 2021
本篇调查报告讲述了物理资讯机器学习在机器学习与数学物理模型的交叉领域中的应用和发展,它以物理机制为前提,在模型结构、优化器、推断算法和特定领域的应用(如逆向工程设计和机器人控制)等方面将不同的物理先验形式编码成模型,随着跨领域的研究,增强模型精度,提高效率,并对相关学科领域解决长期存在的问题提供可贵帮助。
Nov, 2022
机器学习在计算机视觉、自然语言处理和语音识别等各个领域中被证明是一种强大的工具,然而,结合深度学习和物理学原理的物理约束机器学习技术的应用在地下能源系统产业,特别是在石油和天然气行业中展现了巨大的潜力,能提供更准确可靠的资源管理和运营效率的预测。
Aug, 2023
通过在强化学习过程中加入物理信息,物理信息的应用已经在许多领域引起了革命性变化。本研究通过综述现有文献,提出了物理信息应用于强化学习的新颖分类法,分析了现有方法的不同特点和关键见解,并通过对核心学习架构和物理融合偏差的识别,进一步对这些方法进行了分类,为更好地理解和应用提供了指导。这一新兴领域有望通过增加强化学习算法的物理合理性、精度、数据效率和在实际场景中的适用性来提升强化学习算法的能力。
Sep, 2023
这项工作介绍了物理信息化状态空间神经网络模型(PSMs),它是实现自主系统中的实时优化、灵活性和容错性的一种新颖解决方案,特别适用于化学、生物医学和电力等以传输为主的系统。通过两个硅橡胶实验——加热通道和制冷系统环路,我们证明了PSMs比纯数据驱动模型提供了更准确的方法。除了准确性,PSMs还具有几个引人注目的用途:通过顺序更新的状态空间表示创建非线性监控控制器以及使用来自PDE的残差提出诊断算法。我们进一步提出PSMs可以作为数字孪生的基础,不断更新的物理系统的数字表示。
Sep, 2023
通过减少数据需求并提高数据驱动模型的实际性,我们提出了一种渐进降阶建模框架,通过选择性地从之前的训练模型中转移有价值的知识,从而创建一个具有高准确性的代理模型。我们的研究通过缓解数据稀缺问题,解锁了数据驱动建模在实际工程应用方面的潜力,为各个领域的进步提供了强有力的支持。
Oct, 2023
利用物理信息引导的扩散模型Pi-fusion,加上逆向学习策略,用于预测流体动力学中速度和压力场的时间演化,表现出较大的泛化性能。
Jun, 2024