Optimally Stopping a Brownian Bridge with an Unknown Pinning Time: A Bayesian Approach
我们考虑的问题,最佳停止布朗桥与未知的钉扎时间,以最大限度地提高停止后的过程的价值。采用贝叶斯方法,我们假设塞子有一个一般的连续先验,并允许更新他们的信念的钉扎时间的值,通过连续的观察过程。钉扎时间的不确定性影响过程的条件动态和最优停止问题的预期(随机)范围。我们详细分析了某些伽玛和贝塔分布的先验。值得注意的是,最优停止问题在伽马的情况下成为时间齐次的,是完全可解的封闭形式。此外,在beta的情况下,我们发现,最佳停止边界的平方根的形式,类似于经典解与一个已知的钉扎时间。
2020-03-14 math.OC math.PR stat.AP
$PINN - a Domain Decomposition Method for Bayesian Physics-Informed Neural Networks
University of Barcelona(巴塞罗那大学);UCLouvain(鲁汶大学);KTH Royal Institute of Technology(皇家理工学院);Brown University(布朗大学)
针对多尺度PDEs中不确定性量化难题,提出$PINN方法,结合局部BPINN与区域分解,通过界面通量连续性实现全局不确定性高效并发计算,并在1D/2D实验及15%噪声下验证了其高效性与鲁棒性。
2025-05-01 cs.AI cs.LG math.AP
IP-Basis PINNs: Efficient Multi-Query Inverse Parameter Estimation
Department of Applied Mathematics University of Waterloo(应用数学系 温哥华大学)
提出IP-Basis PINNs元学习框架,通过离线训练基函数和在线轻量线性层,实现多查询逆问题的高效参数估计,显著加速并稳健处理稀疏噪声数据。
2025-09-08 cs.LG
Quantifying constraint hierarchies in Bayesian PINNs via per-constraint Hessian decomposition
School of Mathematical Sciences(数学科学学院);STAG Research Centre, University of Southampton(STAG研究中心,南安普顿大学)
为阐明单个物理约束对贝叶斯物理信息神经网络的塑造作用,提出一种可扩展无矩阵拉普拉斯框架,通过逐约束Hessian分解量化各约束相对影响,在Van der Pol方程上验证了其可追踪约束对网络几何的塑造及权重调整的曲率重分布效应。
2025-09-28 cs.AI cs.LG
Monte Carlo PINNs: deep learning approach for forward and inverse problems involving high dimensional fractional partial differential equations
Shanghai Normal University(上海师范大学);Tongji University(同济大学);Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院)
我们介绍了一种基于采样的机器学习方法,蒙特卡罗物理告知神经网络(MC-PINNs),用于求解正向和逆分数阶偏微分方程(FPDE)。作为物理信息神经网络(PINN)的推广,我们的方法依赖于深度神经网络代理以及用于计算DNN输出的分数阶导数的随机近似策略。在我们的MC-PINN的一个关键成分是构造一个无偏估计的物理软约束的损失函数。与\cite{pang2019fpinns}中提出的fPINN相比,我们的直接采样方法可以产生更少的总计算成本,从而为求解高维分数偏微分方程提供了机会。我们通过几个例子验证了MC-PINNs方法的性能,包括高维分数阶Laplacian积分方程,时间-空间分数阶偏微分方程的参数识别,分数阶扩散方程的随机输入。结果表明,MC-PINNs是灵活的,有希望解决高维FPDE。
2022-03-16 cs.LG cs.NA math.NA
Differentiable FEM versus PINN for pavement layer inverse analysis: enforcing physics as hard or soft constraints
KAIST(韩国科学技术院)
本文批判性评估了物理信息神经网络(PINN)在多层路面系统落锤式弯沉仪(FWD)反分析中的表现,并提出可微有限元方法(DiffFEM)作为更准确、稳定和高效的替代方案。
2026-10-27 cs.CE cs.LG cs.NA
Bayesian Physics Informed Neural Networks for Data Assimilation and Spatio-Temporal Modelling of Wildfires
Data61 / CSIRO(Data61 / 联邦科学与工业研究组织)
本文提出改进代价函数、PINN内数据同化及B-PINN不确定性量化方法,用于野火火线水平集建模,并在真实数据上验证了准确预测与高质量不确定性估计。
2023-04-26 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
Unlearning Noise in PINNs: A Selective Pruning Framework for PDE Inverse Problems
Zhejiang University(浙江大学);University of Pennsylvania(宾夕法尼亚大学);Texas Tech University(德克萨斯理工大学)
本文提出P-PINN框架,通过选性剪枝去除预训练PINN中受污染数据的影响,提升PDE反问题的鲁棒性、准确性和训练稳定性。
2026-04-05 cs.LG
Inverse modeling of nonisothermal multiphase poromechanics using physics-informed neural networks
Sharif University of Technology(谢里夫理工大学);Massachusetts Institute of Technology(麻省理工学院)
本文提出基于物理信息神经网络的顺序PINN-THM反演求解器,采用无量纲THM控制方程,在多个基准问题上验证了多孔介质多相热-水-力过程参数识别的有效性。
2022-09-07 cs.CE cs.LG
Enforcing continuous symmetries in physics-informed neural network for solving forward and inverse problems of partial differential equations
Minzu University of China(中央民族大学);North China University of Technology(北方工业大学)
物理信息神经网络(PINN)作为深度学习的一个典型应用,已成功用于求解偏微分方程(PDE)的数值解,但如何提高有限的精度仍然是PINN面临的巨大挑战。在这项工作中,我们介绍了一种新的方法,增强的物理通知神经网络(SPINN),其中的不变表面条件所诱导的李对称性或非经典对称的偏微分方程嵌入到损失函数的PINN,以提高精度的PINN解决的正问题和逆问题的偏微分方程。我们通过两组10个独立的数值实验来测试SPINN对热方程、Korteweg-de Vries(KdV)方程和位势Burgers {equations}的正问题的有效性,并通过考虑不同的层和神经元以及位势形式的Burgers方程的不同训练点来测试SPINN对反问题的有效性。数值结果表明,SPINN比PINN具有更少的训练点和更简单的神经网络结构。此外,我们讨论了SPINN的计算开销方面的相对计算成本PINN,并表明SPINN的训练时间没有明显的增加,甚至在某些情况下小于PINN。
2022-08-06 cs.LG
Physics-informed Deep Learning to Solve Three-dimensional Terzaghi Consolidation Equation: Forward and Inverse Problems
University of Leeds(利兹大学);University College London(伦敦大学学院)
本文提出一种物理信息神经网络(PINNs)框架,用于高效求解三维Terzaghi固结方程的正问题和反问题,实验表明其预测准确率超过99%,可用于土壤沉降预测。
2024-01-08 cs.CE cs.LG
Uncovering and Fixing Collider Bias in Bayesian PINNs
TU Graz(格拉茨工业大学)
该研究揭示贝叶斯物理信息神经网络(B-PINNs)的碰撞器偏差问题,提出层次链模型结合粒子MCMC方法修正偏差,经实验验证其有效性。
2026-10-20 cs.AI cs.LG
Target-Guided Selective Reweighting for Physics-Informed Neural Network Inverse Problems: A Transfer Learning Approach
School of Computing and Data Science, Fujian University of Technology(福建工程学院计算与数据科学学院)
针对物理信息神经网络逆问题迁移学习中的负迁移问题,提出TGSR-PINN方法,通过神经元目标评分与选择性软衰减,提升目标物理参数恢复精度。
2026-10-08 cs.LG
A Synthetic Reliability-Aware PINN Benchmark for Offshore Wind Turbine Support-Structure Monitoring with Bayesian Inverse Identification
School of Artificial Intelligence and Data Science, Indian Institute of Technology Jodhpur(印度理工学院焦特布尔分校人工智能与数据科学学院);School of Management and Entrepreneurship, Indian Institute of Technology Jodhpur(印度理工学院焦特布尔分校管理与创业学院)
提出Digi Turbine基准,结合物理信息神经网络、贝叶斯逆识别和FORM筛选,用于海上风机单桩支撑结构监测,验证基于NREL 5MW参考风机。
2026-06-24 cs.CL stat.CO
Damper-B-PINN: Damper Characteristics-Based Bayesian Physics-Informed Neural Network for Vehicle State Estimation
School of Automation and Intelligent Sensing, Shanghai Jiao Tong University, Shanghai 200240, China(上海交通大学自动化与智能感知学院);Department of Civil, Architectural, and Environmental Engineering, The University of Texas at Austin(德克萨斯大学奥斯汀分校土木、建筑与环境工程系);College of Electrical Engineering, Zhejiang University(浙江大学电气工程学院);School of Automotive Studies, Tongji University(同济大学汽车学院);Key Laboratory of Road and Traffic Engineering of Ministry of Education, Tongji University(同济大学交通工程教育部长三角交通工程重点实验室);School of Architecture, The University of Texas at Austin(德克萨斯大学奥斯汀分校建筑系)
本文提出基于阻尼特性的贝叶斯物理信息神经网络,用于提高车辆动态车轮载荷估计的精度和鲁棒性。
2026-01-27 cs.AI cs.LG
A Domain-adaptive Physics-informed Neural Network for Inverse Problems of Maxwell's Equations in Heterogeneous Media
Dalian University of Technology(大连理工大学)
本文提出域自适应物理信息神经网络da-PINN,通过介质界面位置参数分解子域、将界面条件纳入损失函数并设计域自适应训练策略,有效求解异质介质中麦克斯韦方程组的反问题。
2023-08-12 cs.LG cs.NA math.NA
Gradient-enhanced physics-informed neural networks for forward and inverse PDE problems
St. Mark’s School of Texas(圣马克德克萨斯学校);University of Pennsylvania(宾夕法尼亚大学);Brown University(布朗大学)
深度学习已被证明是通过物理信息神经网络(PINN)求解偏微分方程(PDE)的有效工具。PINN将PDE残差嵌入到神经网络的损失函数中,并已成功地用于求解各种PDE正逆问题。然而,第一代PINN的一个缺点是,即使有许多训练点,它们通常也具有有限的准确性。在这里,我们提出了一种新的方法,梯度增强的物理信息神经网络(gPINNs),提高PINNs的准确性和训练效率。gPINN利用PDE残差的梯度信息并将梯度嵌入到损失函数中。我们广泛地测试了gPINN,并证明了gPINN在正向和逆PDE问题中的有效性。我们的数值结果表明,gPINN的性能优于PINN与较少的训练点。此外,我们将gPINN与基于残差的自适应细化(RAR)方法相结合,这是一种在训练过程中自适应地改善训练点分布的方法,以进一步提高gPINN的性能,特别是在具有陡峭梯度的解的PDE中。
2021-11-01 cs.LG physics.comp-ph
Repulsive Ensembles for Bayesian Inference in Physics-informed Neural Networks
Department of Information Technology Uppsala University(信息科技系乌普萨拉大学);Department of Computer Science Aalto University(计算机科学系阿莱克特大学)
本研究提出排斥系综物理信息神经网络(RE-PINN),通过损失函数中的排斥项实现贝叶斯推断,获得更准确的不确定性估计和更高的样本多样性,优于标准系综。
2026-10-27 cs.LG stat.ML
Data-Guided Physics-Informed Neural Networks for Solving Inverse Problems in Partial Differential Equations
University of Cincinnati(辛辛那提大学)
针对物理信息神经网络求解偏微分方程逆问题时训练初期损失项不平衡的问题,提出两阶段DG-PINNs框架,经多类经典PDE验证,求解准确且抗噪性强。
2024-07-15 cs.LG cs.NA math.NA
Posterior Consistency of Bayesian Inverse Regression and Inverse Reference Distributions
我们认为贝叶斯推断逆回归问题的目标是推断未观察到的协变量从观察到的响应和协变量。我们建立后验一致性的贝叶斯逆回归problemunder适当的先验在留一交叉验证设置中的未观察到的协变量。我们将其与逆参考分布的后验一致性(Bhattacharya(2013))相关联,以评估模型的充分性。我们用贝叶斯逆回归的各种例子来说明我们的理论和方法,以及足够的模拟实验。
2020-05-01 math.ST stat.TH
Examining the robustness of Physics-Informed Neural Networks to noise for Inverse Problems
Department of Computer Science, Norwegian University of Science and Technology(挪威科学与技术大学计算机科学系);Department of Mathematics and Cybernetics, SINTEF Digital(SINTEF数字研究院数学与控制论系);Aneo AI Research(Aneo人工智能研究)
本研究对比PINNs与传统方法在含噪声逆问题求解中的性能,发现PINNs虽更易使用但精度不及传统方法,仅在计算扩展性上更优,需解决训练失效问题以提升竞争力。
2026-08-31 cs.LG cs.NA math.NA
Posterior Concentration of Bayesian Physics-Informed Neural Networks for Elliptic PDEs
School of Mathematics, University of Minnesota, Twin Cities(明尼苏达大学双城分校数学学院)
本文研究了贝叶斯物理信息神经网络在求解一般椭圆偏微分方程中的后验收缩率,通过构造合适的先验分布,证明后验分布以近最优速率集中于精确解,并提供了通过贝叶斯PINNs进行PDE不确定性量化统计保证。
2026-05-09 cs.NA math.NA math.ST
E-PINNs: Epistemic Physics-Informed Neural Networks
Pacific Northwest National Laboratory(太平洋西北国家实验室);University of Notre Dame(圣母大学)
针对现有物理信息神经网络不确定性量化方法计算成本高的问题,提出E-PINNs框架,依托小型epinet网络以低开销实现高效认知不确定性量化,在测试中展现出更优的精度-效率权衡。
2025-11-12 cs.LG cs.NA math.NA
Randomized Physics-Informed Neural Networks for Bayesian Data Assimilation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Pacific Northwest National Laboratory(西北太平洋国家实验室)
本文提出随机化物理信息神经网络(rPINN)方法,通过随机化损失函数求解随机优化问题来采样 PINN 参数后验分布,以解决贝叶斯数据同化中 HMC 对非线性逆 PDE 问题无法收敛的难题,并在多个方程上验证其有效性与高效性。
2024-07-05 cs.LG
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
Equation identification for fluid flows via physics-informed neural networks
Johns Hopkins University Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室)
本文提出基于二维Burgers方程旋转流动参数扫描的PINN反问题基准,并证明一阶与二阶优化交替策略优于传统一阶方法,同时揭示高无粘流动下参数恢复仍具挑战性。
2024-08-30 cs.LG physics.flu-dyn
Local estimators and Bayesian inverse problems with non-unique solutions
贝叶斯方法是解决反问题的有效方法。后验密度分布提供了未知量的有用信息。然而,对于非唯一解的问题,经典的估计如最大后验估计(MAP)和条件均值(CM)是不够的。我们引入了两个新的估计,局部极大值后验(LMAP)和局部条件均值(LCM)。他们的应用程序证明了三个反问题:反谱问题,反源问题,和反介质问题。
2021-08-27 math.ST stat.TH
Maximum-likelihood Estimators in Physics-Informed Neural Networks for High-dimensional Inverse Problems
Georgia Institute of Technology(佐治亚理工学院)
本文提出将逆物理信息神经网络构建为最大似然估计器,通过泰勒展开实现无超参数调优的误差传播,并利用奇异值分解降维和预条件协方差矩阵,用于高维耦合ODE逆问题求解。
2023-04-14 cs.LG cs.NA math.DS
Bayesian inverse problems with unknown operators
我们考虑的贝叶斯方法的线性逆问题时,潜在的运营商取决于一个未知的参数。考虑到有限维和无限维参数,该理论涵盖了几种不同层次的不确定性的运营商模型。使用产品的先验,我们证明了收缩率的后验分布符合最佳的收敛速度的对数因子。为了适应未知的光滑性,在Lepski方法的基础上构造了一个经验贝叶斯过程。数值例子说明了该过程。
2018-04-06 math.ST stat.ME stat.TH
Adjoint Method versus Physics-Informed Neural Networks in PDE-Constrained Inverse Problems
Brown University(布朗大学);University of Rome 1(罗马大学)
针对PDE约束逆问题,公平比较伴随优化与PINN,发现未知参数表示决定方法选择:网格场适合伴随,神经表示适合PINN;PINN在时间依赖问题中成本更低,且可预热启动伴随。
2026-08-25 cs.LG cs.NA math.NA
Physics-Informed Neural Networks for Electrical Circuit Analysis: Applications in Dielectric Material Modeling
本文探讨了DeepXDE框架下PINNs在介电材料RC电路建模中的前向与逆向问题能力,发现对数变换ln(I)能显著提升稀疏数据下预测稳定性,但逆向参数估计在长时域复杂场景仍存挑战。
2024-11-13 cond-mat.mtrl-sci cs.LG
Laplace-fPINNs: Laplace-based fractional physics-informed neural networks for solving forward and inverse problems of subdiffusion
Shanghai Jiao Tong University(上海交通大学)
本文提出Laplace-fPINNs方法,通过避免引入辅助点和简化损失函数,有效解决了分数阶扩散方程正反问题中自动微分不适用于分数阶导数的挑战。
2023-04-03 cs.LG cs.NA math.NA
Monte Carlo guided Diffusion for Bayesian linear inverse problems
CMAP, Ecole polytechnique(法国综合理工学院CMAP);LPSM, Sorbonne Université(索邦大学LPSM);IHU Liryc(利里克大学医院研究所);CITI, Télécom SudParis(南巴黎电信学院CITI)
本文提出MCGDiff算法,利用基于分数的生成模型先验构造中间线性逆问题序列,并结合序贯蒙特卡洛方法采样,在贝叶斯框架下有效求解不适定线性逆问题。
2023-10-25 cs.LG stat.ME stat.ML
Probabilistic Numerical Methods for PDE-constrained Bayesian Inverse Problems
本文发展了概率描述偏微分方程数值解中离散误差的无网格方法。这种结构使贝叶斯逆问题的解决方案,同时考虑到正向问题的离散化的影响。特别地,这使得统计推断在存在显著求解器误差的情况下更加保守。理论结果描述的收敛速度的后验的正问题和反问题。该方法是一个具有挑战性的反问题与非线性正演模型进行测试。
2017-01-15 cs.NA math.NA math.ST
BO-SA-PINNs: Self-adaptive physics-informed neural networks based on Bayesian optimization for automatically designing PDE solvers
School of Mathematical Sciences, University of Electronic Science and Technology of China(电子科技大学数学科学学院)
针对PINNs求解PDEs需手动调整超参数的问题,提出多阶段BO-SA-PINNs框架,通过贝叶斯优化自动选超参数、自适应机制优化损失与采样,结合新激活函数,在多类PDE测试中实现更高精度与更少迭代。
2025-04-14 cs.CE cs.LG cs.NA
Inverse-Dirichlet Weighting Enables Reliable Training of Physics Informed Neural Networks
Technische Universität Dresden(德累斯顿工业大学);Max Planck Institute of Molecular Cell Biology and Genetics(马克斯·普朗克分子细胞生物学与遗传学研究所);Center for Systems Biology Dresden(德累斯顿系统生物学中心);Flatiron Institute(弗拉蒂伦研究所);Helmholtz Zentrum München(亥姆霍兹慕尼黑中心);Center for Scalable Data Analytics and Artificial Intelligence ScaDS.AI(可扩展数据分析与人工智能中心(ScaDS.AI));Helmholtz-Zentrum Dresden-Rossendorf(亥姆霍兹德累斯顿罗森多夫研究中心);Center for Advanced Systems Understanding (CASUS)(高级系统理解中心(CASUS))
我们描述和纠正了一种故障模式,这种故障模式可能是在深度神经网络(如物理信息神经网络(PINN))训练期间由具有尺度不平衡的多尺度动态引起的。PINN是流行的机器学习模板,允许物理方程模型与数据的无缝集成。他们的训练相当于在数据保真度和方程保真度目标的加权和上解决优化问题。目标之间的冲突可能源于尺度失衡、数据的异方差性、物理方程的刚性,或者序列训练期间的灾难性干扰。我们解释了由此产生的训练病理学,并提出了一个简单而有效的逆狄利克雷加权策略来缓解这个问题。我们比较了神经网络的Sobolev训练,提供了分析$\boldsymbolε$最优训练的基线。我们证明了逆狄利克雷加权在各种应用中的有效性,包括主动湍流的多尺度模型,在此模型中,我们显示了比传统PINN训练在精度和收敛性方面的数量级改进。对于使用顺序训练的逆建模,我们发现逆Dirichlet加权保护PINN免受灾难性遗忘。
2021-07-02 cs.LG cs.NA math.NA
On the Bernstein-Von Mises Theorem for High Dimensional Nonlinear Bayesian Inverse Problems
本文证明了一类高维非线性贝叶斯反问题在噪声消失极限下的Bernstein-vonMises定理。我们提出了一个关于未知参数个数增长率的充分条件,在此条件下,后验分布是渐近正态的。这个增长条件表示明确的模型维数,反问题的不适定性程度和噪声参数。理论结果被应用到一个椭圆问题中的介质参数的贝叶斯估计。
2017-06-03 math.ST stat.TH
Forward and Inverse Simulation of Pseudo-Two-Dimensional Model of Lithium-Ion Batteries Using Neural Networks
Seoul National University(首尔国立大学);Performance Concept Technology Research Lab, Hyundai Motor Company(韩世汽车性能概念技术实验室)
本研究利用PINN框架解决锂离子电池P2D模型中BV方程高非线性导致的仿真难题,通过引入旁路项降低Hessian矩阵条件数以提升数值稳定性,并引入固相电势次级守恒定律防止错误收敛,最终实现了正向仿真的可靠预测与逆向问题的精确参数估计。
2025-02-19 cs.LG physics.comp-ph
Designing truncated priors for direct and inverse Bayesian problems
本文针对带函数型未知量的贝叶斯逆问题,建立了带截断高斯级数先验、满足一般光滑性假设的线性逆问题后验收缩理论,明确了截断点在正、逆问题中的内在作用,推动了贝叶斯逆问题理论发展。
2021-10-12 math.ST stat.TH
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
Physics-informed neural networks for inverse problems in supersonic flows
Brown University(布朗大学);Xiamen University(厦门大学);Technical University of Munich(慕尼黑工业大学)
在设计专用的航空航天飞行器时,常常需要精确求解超声速可压缩流动反问题。特别是,我们考虑的问题,我们有数据的密度梯度纹影摄影以及数据在流入和部分壁边界。这些反问题是出了名的困难和传统的方法可能不足以解决这种不适定的反问题。为此,我们采用物理信息神经网络(PINNs)及其扩展版本,扩展PINNs(XPINNs),其中区域分解允许在每个子域中部署本地强大的神经网络,这可以在子域中提供额外的表达能力,其中期望有一个复杂的解决方案。除了控制可压缩欧拉方程,我们还强制熵条件,以获得黏性解。此外,我们还对密度和压力施加了正性条件。我们考虑反问题,包括二维膨胀波,二维斜激波和弓形激波。我们比较PINNs和XPINNs得到的解决方案,并调用一些理论结果,可以用来决定这两种方法的推广误差。
2022-02-23 cs.LG cs.NA math.NA
Bayesian Physics-Informed Neural Networks for Inverse Problems (BPINN-IP): Application in Infrared Image Processing
former CNRS, founder of ISCT, Bures-sur-Yvette, France(原法国CNRS机构,ISCT创始人);Central South University (CSU), Changsha, China(中国长沙中央南大学)
本文提出贝叶斯物理信息神经网络用于逆问题,结合物理约束和数据驱动推理,提升红外图像处理的逆问题求解能力。
2025-12-02 cs.LG stat.ML
DeepEpiSolver: Unravelling Inverse problems in Covid, HIV, Ebola and Disease Transmission
Tata Consultancy Services Research(塔塔咨询服务公司研究院)
许多传染病的传播是使用SIR房室模型的变体来建模的,SIR房室模型是一个耦合微分方程。SIR模型的系数决定了疾病的传播轨迹,在此基础上可以采取积极的措施。因此,系数估计必须既快速又准确。Shaier等人在论文“疾病信息神经网络“中使用物理信息神经网络(PINN)来估计SIR模型的参数。这种方法有两个缺点。首先,PINN的培训时间很长,某些疾病需要近90小时的训练。其次,PINN不能推广新的SIDR轨迹,学习其相应的SIR参数需要从头开始重新训练PINN。在这项工作中,我们的目标是消除这两个缺点。我们生成一个数据集之间的参数的ODE和蔓延的轨迹,通过解决大分布的参数使用LSODA算法的前向问题。然后,我们使用一个神经网络学习之间的映射蔓延轨迹和系数的SIDR在离线的方式。这使我们能够学习新的传播轨迹的参数,而无需重新训练,从而在测试时实现泛化。我们观察到3-4个数量级的速度与准确性相媲美的PINN的11种高度传染性疾病。进一步使用PINN对神经网络推断的ODE系数进行微调,进一步导致估计系数的2-3阶改进。
2023-03-24 cs.AI cs.LG q-bio.QM
Beyond Field Accuracy: Two-Axis Diagnosis of Inverse-PINN Parameter Error
School of Software Engineering, South China University of Technology(华南理工大学软件学院)
针对逆PINNs的参数误差问题,提出双轴后训练诊断方法,经三类合成PDE及耦合双参数达西检验验证,可有效分离有限样本分辨率与参数偏好,助力后续研究方向确定。
2026-08-18 cs.LG cs.NA math.NA
IDRLnet: A Physics-Informed Neural Network Library
Defense Innovation Institute, Chinese Academy of Military Science(军事科学院国防创新研究院)
物理信息神经网络(PINN)是一种用于求解偏微分方程(PDE)模型的正问题和逆问题的科学计算框架。本文系统地介绍了IDRLnet,一个用PINN建模和求解问题的Python工具箱。IDRLnet为广泛的PINN算法和应用程序构建了框架。它提供了一种结构化的方式来将几何对象、数据源、人工神经网络、损失度量和优化器合并到Python中。此外,它还提供了解决噪声逆问题,变分最小化和积分微分方程的功能。新的PINN变体可以轻松集成到框架中。源代码、教程和文档可在\url{https://github.com/idrl-lab/idrlnet}上获得。
2021-07-09 cs.LG cs.NA math.NA
Consistency and efficiency of Bayesian estimators in generalised linear inverse problems
将统计逆问题公式化为贝叶斯模型中的推理之一具有很大的吸引力,特别是这在一致性方面带来了什么,正则化惩罚的可解释性,所有不确定性的整合,以及可以详细说明设置的原则性方式,以涵盖更广泛的背景特征,例如测量误差,间接观察,贝叶斯公式接近于大多数科学家直观地看待推理任务的方式,并且原则上允许在概率模型构建中自由使用学科知识。然而,在某些问题的解决方案是不唯一的,例如在不适定的反问题,重要的是要了解所选择的贝叶斯模型和所得的解决方案之间的关系。以发射断层成像为例,给出了重建后验分布一致性的结果,以及研究后验分布收敛性的一般方法。为了研究约束条件下不适定线性反问题的贝叶斯推断的有效性,我们证明了非正则贝叶斯模型的Bernstein-vonMises定理。
2012-12-18 math.ST stat.TH
AdamFLIP: Adaptive Momentum Feedback Linearization Optimization for Hard Constrained PINN Training
Purdue University(普渡大学);Massachusetts Institute of Technology(麻省理工学院);Utah State University(犹他州立大学);Harvard University(哈佛大学)
本文提出AdamFLIP方法,将PINN训练转化为等式约束优化问题,通过反馈线性化技术提升约束满足能力,实验表明其在PDE问题中优于传统软约束PINN和现有约束优化器。
2026-05-08 cs.LG
Variational Reformulation of Bayesian Inverse Problems
反问题的经典方法是基于失配函数的优化。尽管其计算吸引力,但这种方法存在许多缺点,例如,非唯一性的解决方案,建模先验知识,等贝叶斯形式主义的逆问题避免了最优化方法遇到的困难,虽然在增加的计算成本。在这项工作中,我们使用信息理论的参数来铸造的贝叶斯推断问题的优化问题。由此产生的计划结合了理论的合理性,充分贝叶斯推断的计算效率的一个简单的优化。
2014-10-21 stat.ML
Adaptive Bayesian density estimation using Pitman-Yor or normalized inverse-Gaussian process kernel mixtures
我们考虑贝叶斯非参数密度估计使用Pitman-Yor或归一化逆高斯过程核混合作为密度的先验分布。该程序是从频率论的角度进行研究。使用棒打破皮特曼-约尔过程或表达的有限维分布的归一化逆高斯过程,我们证明了,当数据是从一个无限光滑的密度重复,后验分布集中在任何收缩$L^p$ -范数球,$1\leq p\leq\infty$,周围的采样密度在\emph{nearly parametric}率,对数因子。由此产生的分层贝叶斯过程,与一个固定的前,因此示出是自适应的采样密度的平滑度的无限。
2013-02-13 math.ST stat.TH
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
Disentangling Aleatoric and Epistemic Uncertainty in Physics-Informed Neural Networks. Application to Insulation Material Degradation Prognostics
Department of Electronics and Computer Science(电子与计算机科学系);Mondragon University(蒙得龙大学);Research & Development(研发);CARTIF Technology Centre(CARTIF技术中心);Department of Physical Chemistry(物理化学系);University of the Basque Country (EHU)(巴斯克国家大学(EHU));Basque Centre for Applied Mathematics (BCAM)(巴斯克应用数学中心(BCAM));Department of Computer Science and Artificial Intelligence(计算机科学与人工智能系)
提出异方差贝叶斯物理信息神经网络(B-PINN),联合建模认知与偶然不确定性,用于时空绝缘材料老化预测,在变压器绝缘老化应用中比确定性PINN和dropout-PINN具有更高精度和校准的不确定性估计。
2026-06-24 cs.AI cs.LG
Comment on "A variational Bayesian approach for inverse problems with skew-t error distributions" (Guha et al., Journal of Computational Physics 301 (2015) 377-393)
对具有斜t误差分布的逆问题的变分贝叶斯方法(Guha等人,Journal of Computational Physics 301(2015)377-393)。
2016-11-23 math.PR stat.ME
Physics and Equality Constrained Artificial Neural Networks: Application to Forward and Inverse Problems with Multi-fidelity Data Fusion
University of Pittsburgh(匹兹堡大学)
物理信息神经网络(PINN)已经被提出来学习偏微分方程(PDE)的解。在PINN中,感兴趣的PDE的残差形式及其边界条件被集中到一个复合目标函数中作为软惩罚。在这里,我们表明,这种特定的方式制定的目标函数的PINN方法的严重局限性时,适用于不同种类的偏微分方程的来源。为了解决这些限制,我们提出了一个通用的框架,基于约束优化问题的制定,在那里我们使用增广拉格朗日方法(ALM)来约束PDE的解决方案,其边界条件和任何高保真数据,可能是可用的。我们的方法是善于多保真度数据融合的正问题和逆问题。我们通过将其应用于涉及多维偏微分方程的几个正问题和逆问题,展示了我们的物理和等式约束深度学习框架的有效性和多功能性。与最先进的物理信息神经网络相比,我们的框架在准确性水平上实现了数量级的提高。
2022-05-21 cs.LG cs.NA math.NA