Is $L^2$ Physics-Informed Loss Always Suitable for Training Physics-Informed Neural Network?
Carnegie Mellon University(卡内基梅隆大学);Zhejiang Lab(之江实验室);Peking University(北京大学)
物理信息神经网络(PINN)方法是使用深度学习求解偏微分方程的一种新的有前途的方法。$L^2$物理信息丢失是训练物理信息神经网络的事实标准。在本文中,我们通过研究损失函数和学习解决方案的近似质量之间的关系来挑战这种常见的做法。特别地,我们利用偏微分方程文献中的稳定性概念来研究学习解在损失接近零时的渐近行为。利用这一概念,我们研究了最优控制中一类重要的高维非线性偏微分方程--Hamilton-Jacobi-Bellman(HJB)方程,证明了对于一般的$L^p$ Physics-Informed Loss,只有当$p$足够大时,一类HJB方程才是稳定的.因此,常用的$L^2$损失不适合在这些方程上训练PINN,而$L^{\infty}$损失是更好的选择。基于理论上的见解,我们开发了一种新的PINN训练算法,以最大限度地减少HJB方程的$L^{\infty}$损失,这与对抗训练的精神相似。通过实验验证了该算法的有效性。我们的代码发布在https://github.com/LithiumDA/L_inf-PINN。
2022-12-30 cs.LG cs.NA math.NA
Energy-based error bound of physics-informed neural network solutions in elasticity
University of Twente(特文特大学);Massachusetts Institute of Technology(麻省理工学院)
提出了一种基于能量的后验误差界,用于弹性力学问题的物理信息神经网络解。从混合形式的物理信息神经网络获得了一个容许的位移-应力解对,建议的误差界被公式化为由解对定义的本构关系误差。这样的误差估计器提供了神经网络离散化的全局误差的上界。边界属性,以及物理信息的神经网络解决方案的渐近行为,研究了一个演示的例子。
2022-05-29 cs.LG cs.NA math.NA
Numerical analysis of physics-informed neural networks and related models in physics-informed machine learning
ETH Zürich(苏黎世联邦理工学院);Seminar for Applied Mathematics(应用数学研讨会);ETH AI Center(苏黎世联邦理工学院人工智能中心)
本文系统综述了物理信息神经网络及其相关模型在偏微分方程数值模拟中的误差分析理论,统一分析逼近、泛化与训练误差,并指出训练误差是影响整体性能的关键瓶颈。
2024-01-30 cs.LG cs.NA math.NA
An extended physics informed neural network for preliminary analysis of parametric optimal control problems
SISSA(的里雅斯特国际高等研究院)
本文提出一种扩展的物理信息神经网络方法,通过将物理信息同时融入损失函数、增强输入和网络架构,实现参数化偏微分方程及最优控制问题的快速准确模拟。
2023-06-13 cs.LG cs.NA math.NA
Trainable Spline Representations for Physics-Informed Learning
SISSA(国际高等研究院);FAST Computing Srl(快速计算公司)
研究提出物理信息样条(PI - 样条)架构用于物理信息学习,通过张量积B - 样条展开对未知场参数化,保留相关训练范式并具多种优势。在多基准问题测试中与标准框架对比,结果显示其在特定场景下是有竞争力且稳定的替代方案。
2026-07-20 cs.LG cs.NA math.NA
Error estimates for physics informed neural networks approximating the Navier-Stokes equations
ETH Zürich(苏黎世联邦理工学院);Brown University(布朗大学)
我们证明了严格的边界上的不可压缩Navier-斯托克斯方程的近似与(扩展)物理通知神经网络的错误。我们发现,潜在的PDE残差可以任意小的双曲正切神经网络与两个隐藏层。此外,总误差可以根据训练误差、网络大小和正交点的数量来估计。数值实验说明了理论。
2023-02-02 cs.LG cs.NA math.NA
What do physics-informed DeepONets learn? Understanding and improving training for scientific computing applications
Pacific Northwest National Laboratory(太平洋西北国家实验室);Massachusetts Institute of Technology(麻省理工学院);Sandia National Laboratories(桑迪亚国家实验室)
本研究通过评估基函数普适性与谱方法模型降阶潜力,明确物理信息DeepONets的学习内容,提出迁移学习方法改进其在同PDE参数间及不同相关PDE间的训练,实现误差显著降低与基函数有效性提升。
2024-11-27 cs.LG cs.NA math.NA
A Physics-Informed Neural Network Framework For Partial Differential Equations on 3D Surfaces: Time-Dependent Problems
University of Nevada, Las Vegas(内华达大学拉斯维加斯分校);University of Arkansas(阿肯色大学);Lehigh University(里海大学)
在本文中,我们展示了一个物理信息的神经网络求解器的时间依赖表面偏微分方程。与传统的数值求解器不同,该方法不需要在曲面上扩展偏微分方程和网格。我们显示了一个简化的表面微分算子的先验估计,使PINN的损失值将是一个指标的表面偏微分方程的残留物。数值实验验证了算法的有效性。
2021-03-19 cs.LG cs.NA math.NA
Physics-Informed Graph-Mesh Networks for PDEs: A hybrid approach for complex problems
MICS, CentraleSupélec, Université Paris Saclay(巴黎萨克雷大学中央高等电力学院MICS实验室);Transvalor S.A.(特兰斯瓦尔公司)
针对物理信息神经网络在复杂几何、泛化及自动微分方面的局限,提出融合图神经网络与有限元数值核的混合PDE求解框架,并通过理论分析、消融实验及二三维复杂几何测试验证其泛化能力。
2024-09-25 cs.LG cs.NA math.NA
Physics-informed Neural Networks for Solving Nonlinear Diffusivity and Biot's equations
Technical University of Denmark(丹麦技术大学);The Danish Hydrocarbon Research and Technology Centre(丹麦碳氢化合物研究与技术中心)
本文介绍了应用物理信息神经网络解决非线性多物理问题的潜力,这是必不可少的许多领域,如生物医学工程,地震预报,地下能源收集。具体来说,我们研究如何扩展的物理信息的神经网络的方法来解决有关的非线性扩散系数和Biot方程的正问题和逆问题。我们探索的准确性的物理信息神经网络与不同的训练样本大小和超参数的选择。各种训练实现之间的随机变化的影响也进行了研究。在相反的情况下,我们还研究了噪声测量的影响。此外,我们解决了选择逆模型的超参数的挑战,并说明了这个挑战是如何链接到超参数选择执行的前一个。
2020-02-19 cs.CE cs.LG cs.NA
Physics-Informed Teacher-Student Ensemble Learning for Traffic State Estimation with a Varying Speed Limit Scenario
Department of Building, Civil and Environmental Engineering, Concordia University(康科迪亚大学建筑、土木和环境工程系);Urban Artificial Intelligence Laboratory, University of Florida(佛罗里达大学城市人工智能实验室);Department of Civil, Environmental and Construction Engineering, University of Central Florida(中央佛罗里达大学土木、环境和建设工程系)
本文提出一种融合物理信息的教师-学生集成学习框架,用于在变化速度限制场景下准确估计交通状态,通过局部编码流量守恒定律并利用多层感知器分类器提升性能。
2026-05-11 cs.AI cs.CE cs.LG
Physics Informed Symbolic Networks
TCS Research(塔塔咨询服务公司研究院)
我们引入物理信息符号网络(PISN),它利用物理信息的损失来获得偏微分方程(PDE)系统的符号解。给出了一种描述符号表达式语言的上下文无关文法,提出了用加权和作为连续逼近来选择产生式规则。我们使用这种近似来定义多层符号网络。我们考虑Kovasznay流(Navier-Stokes)和二维粘性Burger方程,以说明PISN能够在各种最先进的进步中提供与PINN相当的性能:多输出和控制方程,域分解,超网络。此外,我们提出了物理知情的神经符号网络(PINSN),它采用多层感知器(MLP)运营商建模符号网络的残留物。观察到PINSN比标准PINN提供2-3个数量级的性能增益。
2022-12-20 cs.AI cs.LG cs.NA
Quasi-Random Physics-informed Neural Networks
Skolkovo Institute of Science and Technology(斯克尔克沃科学与技术研究所)
本文提出准随机物理信息神经网络,通过低分歧序列采样提升高维PDE求解效率,实验显示其优于传统PINNs和自适应采样方法。
2025-07-10 cs.AI cs.LG cs.NA
Label Propagation for Physics-Informed Neural Networks and Physics-Informed Gaussian Processes
Illinois Institute of Technology(伊利诺伊理工学院);Binghamton University(宾汉姆顿大学)
本文提出利用半监督标签传播技术训练物理信息神经网络和高斯过程,并通过协同训练整合两者,以改善边界和初始条件信息向物理域传播的问题,实验验证了其有效性。
2026-09-22 cs.LG
Physics-informed features in supervised machine learning
MIDA, Dipartimento di Matematica, Università di Genova(基因瓦大学数学系)
本研究提出物理信息特征方法,利用物理定律和量纲分析构建非线性特征映射,增强模型可解释性,提升回归与分类性能,并支持物理规律发现。
2025-04-23 cs.LG cs.NA math.NA
FB-HyDON: Parameter-Efficient Physics-Informed Operator Learning of Complex PDEs via Hypernetwork and Finite Basis Domain Decomposition
Quantiphi(昆体菲科技)
针对现有神经算子需大量数据、物理信息算子训练复杂且难收敛的问题,提出结合超网络与有限基域分解的FB-HyDON架构,在多个PDE任务上实现性能提升。
2024-09-13 cs.LG cs.NA math.NA
Physics-informed ConvNet: Learning Physical Field from a Shallow Neural Network
Xi'an University of Architecture and Technology(西安建筑科技大学);Xidian University(西安电子科技大学)
基于大数据的人工智能(AI)支持几乎所有科学和技术的深刻演变。然而,由于不可避免的数据稀缺和噪声,建模和预测多物理系统仍然是一个挑战。通过“教授”领域知识来提高神经网络的泛化能力,并结合物理规律开发新一代模型,已成为机器学习研究的一个很有前途的领域。与“深”的嵌入物理信息的全连接神经网络(PINN)不同,从CNN的角度提出了一种新的浅层物理信息卷积网络(PICN)框架,其中物理场由一个去卷积层和一个卷积层生成.使用预训练的浅卷积层来构造形成物理算子的差场。一个有效的线性插值网络计算的损失函数涉及边界条件和物理约束的不规则的几何域。目前的发展的有效性说明通过一些数值的情况下,涉及非线性物理算子方程的求解(和估计)和恢复的物理信息从噪声观测。PICN在逼近具有多频率分量的物理场方面的潜在优势表明,PICN可能成为物理信息机器学习中的另一种神经网络求解器。
2022-02-07 cs.LG cs.NA math.NA
Physics-Informed Deep Learning For Traffic State Estimation: A Survey and the Outlook
Columbia University(哥伦比亚大学);Data Science Institute, Columbia University(哥伦比亚大学数据科学研究所)
本文综述了物理信息深度学习(PIDL)计算图在交通状态估计(TSE)中的多种架构设计,并在相同真实数据集上比较了不同变体的性能。
2023-07-01 cs.LG
Physics-Informed Machine Learning: A Survey on Problems, Methods and Applications
Tsinghua University(清华大学);RealAI
数据驱动机器学习的最新进展已经彻底改变了计算机视觉、强化学习以及许多科学和工程领域。在许多现实世界和科学问题中,生成数据的系统受物理定律的支配。最近的工作表明,它提供了潜在的好处,机器学习模型,将物理先验和收集的数据,这使得机器学习和物理学的交叉成为一个流行的范例。通过无缝集成数据和数学物理模型,它可以引导机器学习模型找到物理上合理的解决方案,即使在不确定和高维环境中也能提高准确性和效率。在这项调查中,我们提出了这种学习范式称为物理信息机器学习(PIML),这是建立一个模型,利用经验数据和可用的物理先验知识,以提高性能的一组任务,涉及物理机制。本文从机器学习任务、物理先验的表示和物理先验的融合方法三个方面系统地综述了物理信息机器学习的最新发展。我们还提出了几个重要的开放式研究问题的基础上,在该领域的当前趋势。我们认为,将不同形式的物理先验编码到模型架构、优化器、推理算法和重要的特定领域应用(如逆向工程设计和机器人控制)中,在物理学信息机器学习领域还远未得到充分探索。我们相信,基于物理学的机器学习的跨学科研究将大大推动研究进展,促进创建更有效的机器学习模型,并为解决相关学科中长期存在的问题提供宝贵的帮助。
2023-03-07 cs.AI cs.CV cs.LG
Partition of Unity Physics-Informed Neural Networks (POU-PINNs): An Unsupervised Framework for Physics-Informed Domain Decomposition and Mixtures of Experts
The University of Texas at El Paso(德克萨斯大学埃尔帕索分校);University of California, Santa Cruz(加州大学圣克鲁兹分校);Clarkson University(克拉克森大学);Texas A&M University in Kingsville(德克萨斯农工大学金斯维尔分校)
提出无监督POU-PINNs框架,利用单位分解网络和物理残差损失自动发现PDE的空间子域及非线性参数,提升求解精度。
2024-12-07 cs.LG
Physics-Informed Machine Learning for Transformer Condition Monitoring -- Part II: Physics-Informed Neural Networks and Uncertainty Quantification
University of the Basque Country (UPV/EHU)(巴斯克大学)
本文提出基于物理的神经网络和贝叶斯框架,用于变压器状态监测中的不确定性量化与预测。
2025-12-20 cs.LG
Physics-Informed Diffusion Models for Unsupervised Anomaly Detection in Multivariate Time Series
Fraunhofer IOSB-INA(弗劳恩霍夫研究所)
本文提出一种基于物理信息扩散模型的多元时间序列无监督异常检测方法,通过加权物理信息损失学习物理依赖的时间分布,实验表明其在F1分数、数据多样性和对数似然上优于基线及纯数据驱动扩散模型。
2025-08-15 cs.LG
Physics-Informed Neural Networks and Extensions
本文综述了物理信息神经网络(PINNs)这一科学机器学习核心方法,介绍其近期扩展,并展示了在数据驱动发现微分方程中的应用实例。
2024-08-29 cs.AI cs.LG
Physics-informed machine learning of the correlation functions in bulk fluids
Pacific Northwest National Laboratory(太平洋西北国家实验室)
本研究利用物理信息神经网络和物理信息神经算子网络求解Ornstein-Zernike方程,在多种体相流体中实现高精度和高效率的正逆问题求解,凸显了其在热力学状态理论中的潜力。
2023-09-02 cs.LG physics.chem-ph physics.comp-ph
NSGA-PINN: A Multi-Objective Optimization Method for Physics-Informed Neural Network Training
Purdue University(普渡大学)
本文提出了NSGA-PINN,一个多目标优化框架的有效训练的物理信息神经网络(PINNs)。所提出的框架使用非支配排序遗传算法(NSGA-II)来实现传统的随机梯度优化算法(例如,ADAM)来有效地逃离局部极小。此外,NSGA-II算法能够在物理信息训练期间精确地满足编码到损失函数中的初始和边界条件。我们证明了我们的框架的有效性,通过应用NSGA-PINN几个普通和偏微分方程问题。特别是,我们表明,该框架可以处理具有挑战性的逆问题与噪声数据。
2023-03-07 cs.LG
Physics-Informed Error Field Learning: A Post-Training Optimization Framework for Physics-Informed Neural Networks
College of Mathematics and Systems Science, Shandong University of Science and Technology(山东科技大学数学与系统科学学院)
本文提出PIEFL框架作为PINNs的训练后优化策略,通过引入辅助误差网络修正预测误差,在相同计算预算下提升了PINNs的解精度。
2026-08-27 cs.LG
Physics-Informed Machine Learning for Pouch Cell Temperature Estimation
Department of Industrial and Manufacturing Systems Engineering(工业与制造系统工程系);University of Michigan-Dearborn(密歇根大学迪尔伯恩分校);Dearborn, USA(美国迪尔伯恩)
本文提出一种融合热传递方程的机器学习框架,用于高效准确估计电池稳态温度分布,实验显示其在收敛速度和精度上优于传统数据驱动方法。
2026-04-16 cs.LG cs.SY eess.SY
PIKFNO: An Interpretable Neural Operator Based on Physics Informed Kernel Function
本研究提出PIKFNO框架,通过物理信息核函数约束主干网络,采用两种核函数构建策略,在有限训练数据下提升了神经算子的预测精度、可解释性与泛化性能,为开发高性能可解释神经算子提供新路径。
2026-08-18 cs.LG
PIDT: Physics-Informed Digital Twin for Optical Fiber Parameter Estimation
Dept. of Electrical Engineering, Chalmers Univ. of Technology, Sweden(电气工程系,瑞典查尔姆斯理工大学);Dept. of Microtechnology and Nanoscience, Chalmers Univ. of Technology, Sweden(微电子与纳米科技系,瑞典查尔姆斯理工大学)
本文提出基于物理的数字孪生(PIDT),结合参数化拆分步方法与基于物理的损失函数,以更低的复杂度提升光纤参数估计的精度和收敛速度。
2026-01-12 cs.LG eess.SP physics.optics
Physics-Informed Deep Learning: A Promising Technique for System Reliability Assessment
University of Maryland(马里兰大学);University of California, Los Angeles(加州大学洛杉矶分校)
在可靠性和安全领域,基于深度学习的预测模型在系统故障和健康管理方面已经有了相当多的研究。然而,利用深度学习进行系统可靠性评估的研究有限。本文旨在弥合这一差距,并通过利用物理学深度学习的最新进展来探索深度学习和系统可靠性评估之间的新接口。特别是,我们提出了一种在物理信息深度学习的背景下框架系统可靠性评估的方法,并讨论了物理信息生成对抗网络在系统可靠性评估中的不确定性量化和测量数据整合的潜在价值。所提出的方法是证明了三个数值例子,涉及一个双处理器计算系统。研究结果表明,基于物理学的深度学习在缓解计算挑战、结合测量数据和数学模型进行系统可靠性评估方面具有潜在价值。
2021-09-05 cs.LG stat.ML
Physics-Augmented Learning: A New Paradigm Beyond Physics-Informed Learning
MIT(麻省理工学院);IAIFI;KCL(国王学院);GMU(乔治梅森大学)
将物理归纳偏差集成到机器学习中可以提高模型的泛化能力。我们将物理信息学习(PIL)的成功范例概括为一个更一般的框架,其中也包括我们所说的物理增强学习(PAL)。PIL和PAL通过分别处理辨别性和生成性而相互补充。在数值实验中,我们表明,PAL表现良好的例子,PIL是不适用或效率低下。
2021-09-28 cs.LG physics.class-ph physics.comp-ph
Automatic-differentiated Physics-Informed Echo State Network (API-ESN)
University of Cambridge(剑桥大学);The Alan Turing Institute(艾伦·图灵研究所);Imperial College London(帝国理工学院);Technical University of Munich(慕尼黑工业大学)
我们提出了自动区分物理信息回声状态网络(API-ESN)。该网络通过水库的精确时间导数由物理方程约束,该时间导数由自动微分计算。与原始的物理信息回声状态网络相比,时间导数的准确性提高了7个数量级。这种提高的精度是混沌动力系统的关键,其中误差随时间呈指数增长。该网络在混沌系统的不可测(隐藏)状态的重建中得到了展示。API-ESN消除了在时间导数的计算中存在于现有的物理通知回声状态网络中的误差源。这为精确重建混沌动力学状态开辟了新的可能性。
2021-03-24 cs.LG nlin.CD
Physics-Informed Machine Learning for Vessel Shaft Power and Fuel Consumption Prediction: Interpretable KAN-based Approach
Simula Research Laboratory(Simula研究实验室)
本文提出了一种结合物理信息和可解释性方法的KAN网络,用于提高船舶轴功率和燃油消耗预测的准确性与可解释性。
2026-02-25 cs.AI cs.LG
Toward the Fully Physics-Informed Echo State Network -- an ODE Approximator Based on Recurrent Artificial Neurons
Advanced Research Center, National Fusion Research Institute (NFRI)(国家聚变研究所高级研究中心)
受最近理论争论的启发,讨论了物理信息回声状态网络(ESN),试图以完全物理信息的方式训练储层模型。作为最简单的工作,在这样的目的,一个常微分方程(ODE)逼近器的设计,复制的解决方案,在序列方面的经常性评估。基于微分方程的主不变性,递归中的约束恰好形成,以确保基于ESN的常微分方程逼近器的适当回归方法。在此基础上,建立了基于两遍回归策略的实际训练过程。针对完全物理信息的油藏模型,在本研究中,一对夫妇的非线性动力学问题证明了从所提出的方法获得的计算。
2020-11-13 cs.LG nlin.CD
When Physics Meets Machine Learning: A Survey of Physics-Informed Machine Learning
University of Southern California(南加州大学)
物理信息机器学习(Physics-informed machine learning,PIML)是指将物理学的先验知识与数据驱动的机器学习模型相结合,以缓解训练数据不足的问题,提高模型的泛化能力,并确保结果的物理可解释性。本文综述了PIML的研究现状,并从三个方面进行了总结:(1)PIML的动机;(2)PIML中的物理知识;(3)PIML中物理知识的整合方法。我们还讨论了当前的挑战和相应的研究机会,在PIML。
2022-03-31 cs.LG stat.ML
Physics-Informed Echo State Networks
Technical University of Munich(慕尼黑工业大学);University of Cambridge(剑桥大学)
提出了一种基于物理信息的回声状态网络(ESN)来预测混沌系统的演化。与传统的ESN相比,物理信息ESN被训练来解决监督学习任务,同时确保它们的预测不违反物理定律。这是通过在训练过程中引入一个额外的损失函数来实现的,该函数基于系统的控制方程。附加的损失函数惩罚非物理预测,而不需要任何附加的训练数据。这种方法被证明对混沌Lorenz系统和截断的Charney-DeVore系统。与传统的ESN相比,物理信息ESN提高了约两个李雅普诺夫时间的可预测性地平线。这种方法也被证明是强大的噪声方面。该框架显示了利用机器学习结合先验物理知识来提高混沌动力系统的时间精确预测的潜力。
2020-10-31 cs.LG nlin.CD
Physics-informed learning under mixing: How physical knowledge speeds up learning
Institute for Dynamic Systems and Control, ETH Zürich(动态系统与控制研究所,苏黎世联邦理工学院);Department of Electrical Engineering, Columbia University(电气工程系,哥伦比亚大学)
本文研究依赖数据下物理先验对学习速率的影响,通过分析带物理信息正则化的经验风险最小化,证明对齐的物理先验可将速率提升至最优i.i.d.水平。
2025-09-29 cs.LG cs.SY eess.SY
On the failure of ReLU activation for physics-informed machine learning
Smead Aerospace Engineering Sciences University of Colorado(斯梅德航空航天工程科学大学)
本研究揭示ReLU在物理信息机器学习中的失效原因,指出自动微分对不连续场的导数处理不当导致性能下降。
2025-12-15 cs.LG
A physics-informed and attention-based graph learning approach for regional electric vehicle charging demand prediction
School of Intelligent Systems Engineering, Sun Yat-Sen University(中山大学智能工程学院);Department of Computing, The Hong Kong Polytechnic University(香港理工大学计算学系)
针对城市EV充电需求预测中需求与价格反向关系难以解释的问题,提出融合图与时间注意力及物理信息元学习的PAG方法,并在深圳18,013个充电桩数据集上取得最优性能。
2023-11-06 cs.LG
PIKS: Universal Physics-Informed Kernel Methods
Università degli Studi di Genova(热那亚大学);Istituto Italiano di Tecnologia(意大利技术研究院)
该研究针对物理信息机器学习的学习理论缺失问题,提出通用物理信息核方法(PIKS),证明其对线性微分约束的通用一致性,经数值实验验证其可与PINNs及传统有限元方法竞争。
2026-07-30 cs.LG stat.ML
Investigating KAN-Based Physics-Informed Neural Networks for EMI/EMC Simulations
University of Southern Denmark(南丹麦大学)
本文研究将KAN物理信息神经网络用于EMI仿真,以AI驱动方案替代全波数值仿真,探索低能耗、可行算力的绿色EMI仿真工作流。
2024-05-21 cs.LG
Lyapunov Exponent as Physics-Informed Dense Reward: RL Discovery of Stabilization Beyond the Kapitza Pendulum
该研究针对强化学习中稳定垂直运动倒立摆的问题,提出将李雅普诺夫特征指数作为密集奖励信号,智能体借此成功找到卡皮察摆振荡运动并抑制摆动,让摆处于直立位置。
2026-07-16 cs.LG
Indoor Airflow Imaging Using Physics-Informed Background-Oriented Schlieren Tomography
MERL
本文提出一种基于单视点背景纹影测量与物理信息神经网络正则化的室内气流体积重建框架,通过改进光线追踪和物理渲染损失解决严重不适定问题。
2025-09-17 cs.LG eess.SP
Modelling of Underwater Vehicles using Physics-Informed Neural Networks with Control
Aarhus University(奥胡斯大学);EIVA a/s(艾瓦公司)
本研究提出带控制的物理信息神经网络(PINC)框架的开源实现,利用初始状态、控制动作和时间输入对水下航行器动力学进行建模,实现训练域外的物理一致过渡,在模拟中比非物理信息基线具有更准确的长时程预测。
2025-04-28 cs.AI cs.LG cs.RO
Physics-informed neural networks (PINNs) for fluid mechanics: A review
Brown University(布朗大学);Xiamen University(厦门大学);Dalian University of Technology(大连理工大学)
尽管在过去的50年中,在使用数值离散化的纳维-斯托克斯方程(NSE)模拟流动问题的显着进展,我们仍然不能无缝地将噪声数据纳入现有的算法,网格生成是复杂的,我们不能解决高维问题的参数化NSE。此外,求解逆流动问题通常是昂贵的,并且需要复杂且昂贵的公式和新的计算机代码。在这里,我们回顾了流物理信息学习,无缝集成数据和数学模型,并使用物理信息神经网络(PINN)实现它们。我们证明了PINNs的有效性的三维尾流,超音速流动,生物医学流动的反问题。
2021-05-20 cs.LG physics.flu-dyn
Transient Stability Analysis with Physics-Informed Neural Networks
Technical University of Denmark(丹麦技术大学)
我们探讨了使用物理信息的神经网络,大大加快解决常微分代数方程,管理电力系统动态的可能性。在暂态稳定评估中,传统的方法要么计算量大,要么需要模型简化,要么使用过于保守的代理模型。传统的神经网络可以规避这些限制,但面临着高质量的训练数据集的高需求,而他们忽略了底层的控制方程。物理信息的神经网络是不同的:它们将电力系统微分代数方程直接纳入神经网络训练,并大大减少了对训练数据的需求。本文深入研究了基于物理信息的神经网络在电力系统暂态稳定评估中的性能。引入一个新的神经网络训练过程,以促进彻底的比较,我们探讨如何物理知情的神经网络比较与传统的微分代数求解器和经典的神经网络在计算时间,数据的要求,和预测精度。我们说明了昆都尔两个区域系统的研究结果,并评估物理信息神经网络作为暂态稳定分析工具的机遇和挑战,突出可能的途径,以进一步发展这种方法。
2023-03-15 cs.LG cs.SY eess.SY
Physics Informed Neural Networks for Simulating Radiative Transfer
ETH Zürich(苏黎世联邦理工学院)
本文提出基于物理信息神经网络(PINNs)的辐射传输模拟算法,通过最小化辐射传输方程残差训练模型,并结合实验与理论误差估计验证其高效、稳健和准确,同时支持逆问题求解。
2023-12-06 cs.LG stat.ML
Solving Differential Equations using Physics-Informed Deep Equilibrium Models
Federal University of Santa Catarina(圣卡塔琳娜联邦大学)
本文提出物理信息深度均衡模型(PIDEQs),融合深度均衡模型的隐式输出表示与物理信息训练技术,用于高效求解常微分方程初值问题,并以 Van der Pol 振荡器验证其有效性。
2024-06-28 cs.LG cs.SY eess.SY
Physics-Informed Convolutional Neural Networks for Corruption Removal on Dynamical Systems
Imperial College London(帝国理工学院);Alan Turing Institute(艾伦·图灵研究所)
对动力系统的测量,无论是实验的还是其他的,经常会受到不准确的影响,从而导致腐败;消除腐败是物理科学中一个至关重要的问题。在这项工作中,我们提出了用于静态腐败去除的物理信息卷积神经网络,提供了从数据中提取物理解决方案的方法,可以访问配置点处的部分地面实况观测。我们展示了二维不可压缩的纳维-斯托克斯方程的方法在混乱的湍流政权,表现出鲁棒性的方式和腐败的幅度。
2022-11-07 cs.LG physics.flu-dyn
Differentiable Physics-informed Graph Networks
University of Southern California(南加州大学);Department of Computer Science, University of Southern California(南加州大学计算机科学系)
虽然物理学传达了从观察和理论之间的相互作用中建立起来的自然知识,但它在深层神经网络中被认为不那么重要。特别是,很少有工作利用物理行为时,知识是不明确的。在这项工作中,我们提出了一种新的架构称为微分物理知情图网络(DPGN),将隐含的物理知识,这是从领域专家通过通知它在潜在的空间。使用DPGN的概念,我们表明,气候预测任务显着改善。除了实验结果,我们验证了所提出的模块的有效性,并提供DPGN的进一步应用,如归纳学习和多步预测。
2019-02-11 cs.LG stat.ML
Physics-informed deep generative models
University of Pennsylvania(宾夕法尼亚大学)
我们考虑了深层生成模型在复杂物理系统中传播不确定性的应用。具体来说,我们提出了一个隐式的变分推断制定约束生成模型的输出,以满足给定的物理定律表示的偏微分方程。这样的物理通知约束提供了一种正则化机制,用于有效地训练深度概率模型,用于对物理系统进行建模,其中数据采集的成本很高,并且训练数据集通常很小。这提供了一个可扩展的框架,用于表征由于输入的随机性或观测中的噪声而导致的物理系统输出的不确定性。我们证明了我们的方法的有效性,通过一个典型的例子在运输动力学。
2018-12-09 cs.LG stat.ML
Physics-Informed Neural Networks with Hard Linear Equality Constraints
Davidson School of Chemical Engineering, Purdue University(普渡大学戴维森化学工程学院)
提出KKT-hPINN,通过源自KKT条件的投影层严格保证硬线性等式约束,提升代理模型的预测精度。
2024-02-11 cs.LG math.OC
Efficient Bayesian Physics Informed Neural Networks for Inverse Problems via Ensemble Kalman Inversion
University of Iowa(爱荷华大学)
贝叶斯物理信息神经网络(Bayesian Physics Informed Neural Networks,B-PINNs)在物理参数推断和偏微分方程正解学习方面受到了广泛关注。然而,神经网络的过参数化性质对高维后验推理提出了计算挑战。现有的推理方法,如基于粒子或方差的推理方法,要么是计算昂贵的高维后验推理或提供不满意的不确定性估计。在本文中,我们提出了一个新的高效的推理算法B-PINNs,使用Encourage卡尔曼反演(EKI)的高维推理任务。我们发现,我们所提出的方法可以实现推理结果与信息的不确定性估计相比,哈密顿蒙特卡罗(HMC)为基础的B-PINNs的计算成本大大降低。这些发现表明,我们提出的方法具有很大的潜力,在物理信息机器学习的实际应用中的不确定性量化。
2023-03-13 cs.LG stat.ML
Physics-Informed Echo State Networks for Chaotic Systems Forecasting
Technical University of Munich(慕尼黑工业大学);Institute for Advanced Study, Technical University of Munich(慕尼黑工业大学高等研究院);University of Cambridge(剑桥大学)
提出了一种基于物理信息的回声状态网络(ESN)来预测混沌系统的演化。与传统的ESN相比,基于物理的ESN被训练来解决监督学习任务,同时确保它们的预测不违反物理定律。这是通过在ESN的训练期间引入额外的损失函数来实现的,该损失函数在不需要任何额外训练数据的情况下惩罚非物理预测。这种方法被证明在一个混沌洛伦兹系统,其中的物理信息ESN提高了约两个李雅普诺夫时间相比,传统的ESN的可预测性地平线。所提出的框架显示了使用机器学习结合先验物理知识来提高混沌动力系统的时间精确预测的潜力。
2019-04-09 cs.ET cs.LG cs.NE