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
Exactly conservative physics-informed neural networks and deep operator networks for dynamical systems
Memorial University of Newfoundland(纽芬兰纪念大学)
本文提出一种基于投影的方法,训练动力系统的精确保守物理信息神经网络与深度算子网络,将候选解映射至不变流形,在多个现实问题中表现远优于非保守方法。
2023-11-23 cs.LG cs.NA math.NA
RenderFormer++: Scalable and Physics-Informed Feed-Forward Neural Rendering
University of Science and Technology of China(中国科学技术大学)
提出RenderFormer++框架,通过物理信息传输引导(PITG)和层次化对象中心分词(HOCT)解决现有Transformer神经渲染的物理一致性和可扩展性问题,实现大规模场景的高效全局光照渲染。
2026-08-10 cs.CV cs.GR cs.LG
Informed Learning by Wide Neural Networks: Convergence, Generalization and Sampling Complexity
University of California, Riverside(加州大学河滨分校)
通过将领域知识与标记样本相结合,信息机器学习已经出现,以提高广泛应用的学习性能。尽管如此,严格的理解注入领域知识的作用一直探索不足。在本文中,我们考虑了一个知情的深度神经网络(DNN)与过参数化和领域知识集成到其训练目标函数,并研究领域知识如何以及为什么有利于性能。具体地说,我们定量地证明了领域知识在知情学习中的两个好处-正规化基于标签的监督和补充标记的样本-并揭示了在人口风险的约束下标签和知识的不确定性之间的权衡。在理论分析的基础上,提出了一种广义的知情训练目标,以更好地利用知识的优势,平衡标签和知识的一致性,并通过种群风险界进行了验证。我们对采样复杂性的分析揭示了如何选择知情学习的超参数,并进一步证明了知识知情学习的优势。
2022-07-02 cs.LG
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
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
Perception-Informed Neural Networks: Beyond Physics-Informed Neural Networks
Ferdowsi University of Mashhad(法尔多斯大学)
本文提出感知信息神经网络(PrINNs)框架,通过损失函数整合感知信息与专家知识,扩展物理信息神经网络,支持多种信息形式,实现数据驱动建模,并引入MOEINNs、TKINNs和FINNs等变体,以增强复杂系统建模能力。
2025-05-24 cs.AI cs.LG cs.NE
Physics-Informed Geometry-Aware Neural Operator
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出Physics-Informed Geometry-Aware Neural Operator (PI-GANO),通过几何编码器捕获域特征并集成至DCON架构,使物理信息神经算子能同时对PDE参数和域几何进行泛化,避免了昂贵的数据生成成本。
2024-11-13 cs.LG cs.NA math.NA
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 neural networks for continuum micromechanics
Technical University of Braunschweig(布伦瑞克工业大学);University of Paderborn(帕德博恩大学)
最近,物理学通知神经网络已成功地应用于各种各样的问题,在应用数学和工程。其基本思想是用一个神经网络作为偏微分方程的全局逼近函数。由于全局逼近,物理信息神经网络难以通过优化来显示局部效应和强非线性解。在这项工作中,我们考虑材料的非线性调用尖锐的相界面的材料不均匀性。这对于依赖于全局估计的方法构成了一个具有挑战性的问题。为了克服收敛问题,自适应训练策略和区域分解进行了研究。它示出,区域分解方法是能够准确地解决非线性应力,位移和能量场从现实世界的$μ$ CT扫描获得的非均质微观结构。
2022-03-25 cs.LG
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
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
Interpretable Physics Informed WiFi Indoor Localization: Learning an Effective Access Point Geometry and Using It to Prune
提出物理信息驱动的分层深度学习框架,联合预测位置并学习AP几何以剪枝,在UJIIndoorLoc上降低误差26%-36%,并支持无坐标场景下的有效特征选择。
2026-09-29 cs.AI cs.LG
Operator-informed initialization for Fourier features physics-informed neural networks
National Center for Artificial Intelligence(国家人工智能中心);University of Pennsylvania(宾夕法尼亚大学);Pontificia Universidad Católica de Chile(智利天主教大学);Millennium Institute for Intelligent Healthcare Engineering, iHEALTH(千禧智能医疗工程研究所)
针对物理信息神经网络的频谱偏差问题,提出一种基于神经正切核理论分析的算子感知初始化策略,通过定制初始权重分布平衡各频率收敛速率,提升预测精度且不增加训练成本。
2026-10-05 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
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
RBF-PINN: Non-Fourier Positional Embedding in Physics-Informed Neural Networks
University of Bristol(布里斯托尔大学)
针对PINNs中基于Fourier特征映射的局限性,提出使用条件正定的Radial Basis Function作为非Fourier位置嵌入,该方法可无缝集成至坐标输入网络,并在多种正逆问题中验证了有效性。
2024-04-29 cs.LG
Derivative-Informed Training of Neural Operators On-the-Fly via Sketched Tangent Consistency
提出草图切线一致性损失(sTCL),通过随机草图扰动实现PDE神经算子的在线导数信息训练,无需离线标签,在多个PDE上达到与离线方法相当的精度。
2026-11-11 cs.LG
Initialization-enhanced Physics-Informed Neural Network with Domain Decomposition (IDPINN)
School of Data Science(数据科学学院);The Chinese University of Hong Kong, Shenzhen (CUHK-Shenzhen)(香港中文大学(深圳))
本文提出 IDPINN 框架,通过小数据集预训练获得初始化网络并结合域分解与界面光滑性条件,在多个正问题上验证了其提升预测精度的效果。
2024-06-05 cs.LG
Spectrum-Informed Multistage Neural Networks: Multiscale Function Approximators of Machine Precision
Massachusetts Institute of Technology(麻省理工学院);Stanford University(斯坦福大学);New York University(纽约大学)
针对科学机器学习难以高精度拟合复杂多尺度动力系统的问题,提出结合频谱信息初始化的多阶段神经网络方法,通过学习残差捕获高频特征克服频谱偏差,实现双精度浮点机器精度的函数拟合。
2024-07-24 cs.LG
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
Lecture notes on Physics Informed Neural Networks, Neural Operators, and their applications
Free University of Bozen-Bolzano(博尔扎诺自由大学)
本讲义介绍物理信息神经网络与神经算子的概念、PyTorch实现及PhysicsNeMo应用,涵盖混合模型、傅里叶神经算子等前沿主题,面向多领域实际问题。
2026-09-17 cs.AI cs.CE cs.LG
PinnDE: Physics-Informed Neural Networks for Solving Differential Equations
Department of Mathematics and Statistics(数学与统计学系)
本文提出开源Python库PinnDE,结合物理信息神经网络与深度算子网络求解微分方程,并通过实例验证其有效性。
2025-08-26 cs.LG
Architectural Strategies for the optimization of Physics-Informed Neural Networks
Australian Institute of Machine Learning(澳大利亚机器学习研究所);University of Adelaide(阿德莱德大学)
本文从神经架构角度研究物理信息神经网络(PINNs)的优化难题,利用神经正切核发现高斯激活函数更优,并提出预条件架构以增强训练,经标准PDEs验证有效。
2024-02-05 cs.LG
Systems Biology: Identifiability analysis and parameter identification via systems-biology informed neural networks
University of Pennsylvania(宾夕法尼亚大学);Brown University(布朗大学)
系统生物过程的动力学通常由具有许多未知参数的常微分方程(ODE)系统建模,这些参数需要从噪声和稀疏测量中推断。在这里,我们引入系统生物学通知神经网络的参数估计,通过将系统的常微分方程到神经网络。为了完成系统辨识的工作流程,我们还描述了结构和实际的可辨识性分析,分析参数的可辨识性。我们以葡萄糖-胰岛素相互作用的内分泌模型为例来演示所有这些方法及其实现。
2022-02-03 cs.LG q-bio.QM
Geometry-Aware Physics-Informed PointNets for Modeling Flows Across Porous Structures
Università degli Studi di Milano-Bicocca(米兰-比科卡大学);Khalifa University of Science and Technology(卡利法科学技术大学);Università Cattolica del Sacro Cuore(圣心大学)
本文提出基于物理信息学习的点网和几何意识神经操作符,用于建模多孔结构中同时通过和绕过的流体流动,展示其在泛化和精度方面的有效性。
2026-02-15 cs.LG physics.flu-dyn
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
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
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 Neural Networks with Unknown Measurement Noise
Uppsala University(乌普萨拉大学)
针对标准物理信息神经网络(PINNs)在非高斯噪声下失效的问题,提出联合训练基于能量的模型(EBM)学习噪声分布的方法,通过多组实验验证了性能提升。
2024-06-19 cs.LG stat.ML
Conformal mapping based Physics-informed neural networks for designing neutral inclusions
Department of Mathematical Sciences, Korea Advanced Institute of Science and Technology(韩国科学技术院数学科学系);Department of Artificial Intelligence, Chung-Ang University(Chung-Ang 大学人工智能系)
本文提出CoCo-PINNs,结合共形映射与物理信息神经网络,解决中性包含体设计问题,提升PINNs的可信度、一致性和稳定性。
2026-02-02 cs.AI cs.LG math.AP
Accelerating Physics-Informed Neural Network Training with Prior Dictionaries
National Innovation Institute of Defense Technology, Chinese Academy of Military Science(中国人民解放军军事科学院国防科技创新研究院)
物理信息神经网络(PINNs)可以被看作是通用的PDE求解器,但它可能是缓慢的训练PINNs对特定的问题,并没有相应的误差界的理论保证。在这篇手稿中,我们提出了一个变种称为先验字典的物理信息神经网络(PD-PINNs)。PD-PINN配备了任务相关的字典,增强了对任务的表示能力,这有助于捕获字典提供的特征,从而使所提出的神经网络在训练过程中可以实现更快的收敛。在各种数值模拟中,与现有的PINN方法相比,结合先验字典可以显着提高收敛速度。在理论上,我们得到了PINNs和PD-PINNs求解二阶椭圆型偏微分方程的误差界。证明了在一定的温和条件下,神经网络的预测误差可以由偏微分方程的期望损失和边界条件限制。
2020-05-29 cs.LG stat.ML
GFINNs: GENERIC Formalism Informed Neural Networks for Deterministic and Stochastic Dynamical Systems
Brown University(布朗大学)
我们提出的GENERIC形式主义知情的神经网络(GFINNs),遵守对称退化条件的GENERIC形式主义。GFINN包括两个模块,每个模块包含两个组件。我们使用一个神经网络,其架构的设计,以满足所需的条件,每个组件建模。组件式架构设计提供了将可用物理信息利用到神经网络中的灵活方法。我们从理论上证明了GFINNs有足够的表达能力来学习基本方程,从而建立了通用逼近定理。我们证明了GFINNs的性能在三个模拟问题:气体容器交换热量和体积,热弹性双摆和Langevin动力学。在所有的例子中,GFINNs优于现有的方法,因此表现出良好的精度在确定性和随机系统的预测。
2021-08-31 cs.LG math.DS
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
Syntactically Informed Text Compression with Recurrent Neural Networks
Texas A&M University(德克萨斯A&M大学)
我们提出了一个独立的系统,用于构建自然语言模型,用于文本压缩。我们的系统通过利用句法分析的最新进展- Google的SyntaxNet -来增强字符级循环神经网络,从而改进了以前基于神经网络的模型。RNN在建模序列数据(如文本)方面表现出色,因为它们的架构允许对长期上下文信息进行建模。
2016-08-26 cs.CL cs.IT cs.LG
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
Newton Informed Neural Operator for Computing Multiple Solutions of Nonlinear Partials Differential Equations
The Pennsylvania State University(宾夕法尼亚州立大学);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
提出牛顿知情神经算子,结合经典牛顿方法解决非线性PDE多重解问题,在单一学习过程中高效学习多重解且所需监督数据更少。
2024-05-23 cs.LG cs.NA math.NA
SciANN: A Keras/Tensorflow wrapper for scientific computations and physics-informed deep learning using artificial neural networks
Massachusetts Institute of Technology(麻省理工学院)
在本文中,我们介绍了SciANN,这是一个使用人工神经网络进行科学计算和物理深度学习的Python包。SciANN使用广泛使用的深度学习包Tensorflow和Keras来构建深度神经网络和优化模型,从而继承了Keras的许多功能,例如批量优化和模型重用以进行迁移学习。SciANN旨在使用物理信息神经网络(PINN)架构抽象神经网络结构,用于科学计算和偏微分方程(PDE)的求解和发现,从而提供设置复杂函数形式的灵活性。我们举例说明,在一系列的例子中,该框架可用于曲线拟合的离散数据,并在强和弱形式的偏微分方程的解决方案和发现。我们总结了SciANN目前可用的功能,并概述了正在进行的和未来的发展。
2020-09-16 cs.LG cs.MS cs.OH
Aspects of holographic entanglement using physics-informed-neural-networks
C. N. Yang Institute for Theoretical Physics, Stony Brook University(石溪大学杨振宁理论物理研究所)
本文利用物理信息神经网络计算引力熵和纠缠楔横截面,验证了该方法在任意渐近AdS度规下计算任意子区域形状的可行性,并通过已知结果和复杂案例展示其有效性。
2026-03-28 cs.LG hep-th physics.comp-ph
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 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
Spectral-Bias and Kernel-Task Alignment in Physically Informed Neural Networks
Tel Aviv University(特拉维夫大学);Hebrew University(希伯来大学)
该研究针对物理信息神经网络(PINNs)的设计与训练调优问题,基于无限过参数化网络与高斯过程回归的等价性推导出神经信息方程,可量化网络隐式偏置,为PINN设计提供理论支撑。
2023-10-05 cond-mat.dis-nn cs.LG stat.ML
Physics-informed neural networks and neural operators for a study of EUV electromagnetic wave diffraction from a lithography mask
Department of Radiophysics, University of Nizhny Novgorod(辐射物理系,尼日尼诺夫戈罗德大学)
本文提出混合波导神经算子WGNO,将波导方法中计算最昂贵的部分替换为神经网络,用于求解EUV光刻掩模衍射问题,在2D和3D掩模上实现最先进精度与推理速度。
2025-07-05 cs.AI cs.LG cs.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
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
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
Robustness of Physics-Informed Neural Networks to Noise in Sensor Data
Institute of High Performance Computing(高性能计算研究所);Center for Frontier AI Research(前沿人工智能研究中心)
物理信息神经网络(PINN)已被证明是将基于物理的领域知识结合到许多重要的现实世界系统的神经网络模型中的有效方法。即使在数据稀缺的情况下,它们作为基于数据推断系统信息的手段也特别有效。然而,目前的大多数工作都假定能够获得高质量的数据。在这项工作中,我们进一步进行了初步的调查的鲁棒性的物理信息的神经网络的噪声的大小的数据。有趣的是,我们的实验表明,在神经网络中包含物理学足以消除来自假设的低质量传感器的数据中噪声的影响,这些传感器具有高达1的高信噪比。可以看出,该测试用例的结果预测仍然与从高质量传感器获得的等效数据获得的预测值相匹配,噪声可能低10倍。这进一步暗示了物理信息神经网络建模在未来用于理解来自传感器网络的数据的效用,特别是随着工业4.0的到来以及普遍部署通常更具噪声的低成本传感器的趋势的增加。
2022-11-22 cs.LG physics.comp-ph
First principles physics-informed neural network for quantum wavefunctions and eigenvalue surfaces
Harvard University(哈佛大学)
物理信息神经网络已被广泛应用于学习微分方程的一般参数解。在这里,我们提出了一个神经网络来发现量子系统的参数本征值和本征函数表面。我们应用我们的方法来解决氢分子离子。这是一种从头算深度学习方法,它用库仑势求解薛定谔方程,产生包括离子位置处的尖点的真实波函数。神经网络解是原子间距离的连续可微函数,其导数通过应用自动微分进行解析计算。这种解的参数和解析形式对于进一步的计算,如力场的确定是有用的。
2022-11-20 cond-mat.mtrl-sci cs.LG physics.comp-ph
THINNs: Thermodynamically Informed Neural Networks
Fakultät II(第二学院);Max Planck Institute for Mathematics in the Sciences(马克斯·普朗克数学研究所)
本文提出热力学信息神经网络(THINNs),通过基于大偏差原理的物理信息惩罚项改进PINNs,以处理非平衡涨落系统,并给出后验估计和实证比较。
2025-09-23 cs.LG cs.NA math.NA
Physics-informed neural networks for solving parametric magnetostatic problems
Purdue University(普渡大学)
本文的目的是调查的物理信息神经网络的能力,学习的磁场响应作为一个功能的设计参数的上下文中的二维(2-D)静磁问题。我们的做法如下。首先,我们提出了一个功能,其最小化是等效的解决参数静磁问题。随后,我们使用深度神经网络(DNN)将磁场表示为描述几何特征和操作点的空间和参数的函数。我们通过使用随机梯度下降最小化物理信息泛函来训练DNN。最后,我们展示了我们的方法上的\mbox{ten-dimensional} EI核心电磁体问题的参数化几何。我们通过将DNN的预测与有限元分析的预测进行比较来评估DNN的准确性。
2022-09-29 cs.CE cs.LG physics.comp-ph
Physics-Informed Neural Networks for Power Systems
Technical University of Denmark(丹麦技术大学);Center for Electric Power and Energy(电力与能源中心)
本文介绍了第一次,据我们所知,物理通知神经网络在电力系统应用的框架。利用电力系统的基本物理规律,并在机器学习领域的最新发展的启发,本文提出了一种神经网络的训练过程,可以利用各种数学模型描述电力系统的行为,在稳态和动态。物理信息神经网络需要的训练数据少得多,可以产生更简单的神经网络结构,同时实现高精度。这项工作解锁了一系列的机会,在电力系统,能够确定动态状态,如转子的角度和频率,以及不确定的参数,如惯性和阻尼在一小部分的计算时间所需的传统方法。本文重点介绍的框架,并展示其潜力,使用单机无穷大系统作为指导性的例子。物理信息神经网络可以准确地确定转子角度和频率,比传统方法快87倍。
2020-01-29 cs.LG cs.SY eess.SP
Physics-Informed Neural Networks for Minimising Worst-Case Violations in DC Optimal Power Flow
Technical University of Denmark(丹麦技术大学)
物理信息神经网络利用底层物理系统的现有模型,以更少的数据生成更高精度的结果。这种方法可以帮助大大减少计算时间,并产生一个很好的估计计算密集型过程中的电力系统,如动态安全评估或最优潮流。与神经网络性能的最坏情况保证的提取相结合,这样的神经网络可以应用于电力系统中的安全关键应用中,并且在电力系统操作员之间建立高度的信任。本文采取的第一步,并适用于第一次,我们的知识,物理信息的神经网络与最坏情况下的保证直流最优潮流问题。我们寻找与(i)最大约束违反,(ii)预测和最佳决策变量之间的最大距离,以及(iii)整个输入域中的最大次优性相关的保证。在一系列PGLib-OPF网络中,我们展示了物理信息神经网络如何提供最坏情况的保证,以及与传统神经网络相比,它们如何减少最坏情况的违规。
2021-09-27 cs.LG cs.SY eess.SY
GPINN: Physics-informed Neural Network with Graph Embedding
Imperial College London(帝国理工学院)
本研究提出带图嵌入的物理信息神经网络框架GPINN,通过Fiedler向量引导的图嵌入为输入空间增维以融入拓扑信息,实验证明其性能优于传统PINN,更擅捕捉物理解特征。
2023-06-16 cs.CE cs.LG physics.comp-ph
NTFields: Neural Time Fields for Physics-Informed Robot Motion Planning
Purdue University(普渡大学)
神经运动规划(NMPs)已成为解决机器人导航任务在复杂环境中的一个很有前途的工具。然而,这些方法通常需要专家数据进行学习,这将其应用限制在数据生成耗时的场景中。最近的发展也导致了能够表示复杂动态偏微分方程(PDE)的物理学深度神经模型。受这些发展的启发,我们提出了神经时间场(NTFields)的机器人运动规划在混乱的情况下。我们的框架代表了一个波传播模型,生成连续的到达时间,以找到由一个称为Eikonal方程的非线性一阶PDE通知的路径解决方案。我们评估我们的方法在各种杂乱的3D环境中,包括吉布森数据集,并证明其有能力解决运动规划问题的4-DOF和6-DOF的机器人机械手,传统的基于网格的Eikonal规划者往往面临的灾难的维度。此外,结果表明,我们的方法具有较高的成功率和显着较低的计算时间比国家的最先进的方法,包括NMP,需要训练数据从经典的规划。
2023-03-01 cs.LG cs.RO