Physics Informed Deep Learning (Part I): Data-driven Solutions of Nonlinear Partial Differential Equations

本文涉及的产品
模型训练 PAI-DLC,100CU*H 3个月
交互式建模 PAI-DSW,每月250计算时 3个月
模型在线服务 PAI-EAS,A10/V100等 500元 1个月
简介: 将神经网络内容,增加物理条件限制

这篇文章是关于物理学信息神经网络(Physics Informed Neural Networks,简称PINNs)的研究,由Maziar Raissi、Paris Perdikaris和George Em Karniadakis撰写。文章分为两部分,这是第一部分,主要讨论了如何利用PINNs来解决非线性偏微分方程的数据驱动解和数据驱动发现问题。

主要内容总结:

PINN学习总结。读论文。

  1. 引言:文章首先介绍了机器学习和数据分析在科学学科中的应用,并指出在数据获取成本高昂的情况下,现有的机器学习技术在小数据环境下的局限性。
  2. 物理学信息神经网络:作者提出了一种新的神经网络——物理学信息神经网络(PINNs),这种网络在训练时会考虑到物理法则,特别是由非线性偏微分方程描述的法则。PINNs能够将物理法则作为先验信息编码,从而提高数据的信息量,使得即使在只有少量训练样本的情况下也能快速找到正确的解并泛化。
  3. 问题设置:文章考虑了一般形式的参数化非线性偏微分方程,并提出了两种问题:预测推断和系统识别或偏微分方程的数据驱动发现。
  4. 连续时间模型:介绍了如何使用深度神经网络来近似解,并利用自动微分技术来构造遵守物理法则的物理信息神经网络。
  5. 离散时间模型:提出了一种基于Runge-Kutta时间步进方案的方法,这种方法不需要在空间-时间域内使用大量的配置点来强制执行物理信息约束。
  6. 实验结果:通过Burgers方程和Schrödinger方程等例子,展示了PINNs在预测和发现偏微分方程解方面的有效性。
  7. 总结和讨论:文章总结了PINNs作为一种新的通用函数逼近器的能力,并讨论了它们在计算科学中的潜力。作者指出PINNs不应被视为传统偏微分方程数值方法的替代品,而是可以与之共存并提供新的直觉来构建结构化预测算法。
  8. 未来工作:文章最后提出了未来的研究方向,包括量化神经网络预测的不确定性。

关键词:数据驱动科学计算、机器学习、预测建模、Runge-Kutta方法、非线性动力学

代码和数据集:文章提供了相关代码和数据集的GitHub链接。

这篇文章展示了如何将深度学习与物理法则结合起来,以解决实际物理系统的问题,特别是在数据有限的情况下。

相关实践学习
使用PAI-EAS一键部署ChatGLM及LangChain应用
本场景中主要介绍如何使用模型在线服务(PAI-EAS)部署ChatGLM的AI-Web应用以及启动WebUI进行模型推理,并通过LangChain集成自己的业务数据。
机器学习概览及常见算法
机器学习(Machine Learning, ML)是人工智能的核心,专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能,它是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。 本课程将带你入门机器学习,掌握机器学习的概念和常用的算法。
目录
相关文章
Automated defect inspection system for metal surfaces based on deep learning and data augmentation
简述:卷积变分自动编码器(CVAE)生成特定的图像,再使用基于深度CNN的缺陷分类算法进行分类。在生成足够的数据来训练基于深度学习的分类模型之后,使用生成的数据来训练分类模型。
191 0
《40 Must Know Questions to test a data scientist on Dimensionality Reduction techniques》电子版地址
40 Must Know Questions to test a data scientist on Dimensionality Reduction techniques
112 0
《40 Must Know Questions to test a data scientist on Dimensionality Reduction techniques》电子版地址
Basic Concepts of Genetic Data Analysis
Basic Concepts of Genetic Data Analysis
970 0
Reading《Practical lessons from predicting clicks on Ads at Facebook》(1)
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/sinat_32502811/article/details/80794980 因为在做京东的算法大赛,小白选手,看了一些别人的入门级程序,胡乱改了一通,也没有什么大的进展,而且感觉比赛的问题和点击率预估还是有点像的,所以搜了个论文来读,看看牛人们的思路。
2300 0
论文笔记之:Heterogeneous Face Attribute Estimation: A Deep Multi-Task Learning Approach
Heterogeneous Face Attribute Estimation: A Deep Multi-Task Learning Approach  2017.11.28    Introduction:   人脸属性的识别在社会交互,提供了非常广泛的信息,包括:the person’s ...
(zhuan) Evolution Strategies as a Scalable Alternative to Reinforcement Learning
Evolution Strategies as a Scalable Alternative to Reinforcement Learning this blog from: https://blog.
(zhuan) Using convolutional neural nets to detect facial keypoints tutorial
Using convolutional neural nets to detect facial keypoints tutorial   this blog from: http://danielnouri.
Learning Machine Learning, Part 2: Algorithms and Techniques
In most Machine Learning courses, regression algorithms are the first to be introduced for two reasons: Regression algorithms are relatively simple,
1938 0
论文阅读之 DECOLOR: Moving Object Detection by Detecting Contiguous Outliers in the Low-Rank Representation
DECOLOR: Moving Object Detection by Detecting Contiguous Outliers in the Low-Rank Representation Xiaowei Zhou et al.
2015 Multi-University Training Contest 1 - 1002 Assignment
 Assignment Problem's Link:  http://acm.hdu.edu.cn/showproblem.php?pid=5289   Mean:  给你一个数列和一个k,求连续区间的极值之差小于k的数的个数。
860 0
AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等