“基于物理的深度学习”(PBDL),即物理建模和深度学习(DL)技术相结合的方法领域。这里,DL通常指基于人工神经网络的方法。PBDL的总体方向代表了一个非常活跃且快速发展的研究领域。
在这个领域中,我们可以区分各种不同基于物理的方法,从目标设计、约束、组合方法和应用程序优化。更具体地说,所有方法要么针对正演模拟(预测状态或时间演变)要么针对反问题(例如,从观测中获得物理系统的参数化)。除了正向或反向,学习和物理之间的整合类型提供了一种对不同方法进行分类的方法:
数据驱动:数据由物理系统(真实或模拟)生成,但不存在进一步的交互。
损失项:物理动力学(或其部分)被编码在损失函数中,通常以可微运算的形式。学习过程可以反复评估损失,并且通常从基于PDE的公式接收梯度。
交错:整个物理模拟是交错的,并与深度神经网络的输出相结合;这需要一个完全可微的模拟器,它代表了物理系统和学习过程之间最紧密的耦合。交错方法对于时间演化尤其重要,它们可以产生对未来动力学行为的估计。
因此,方法可以大致分为正解和逆解,以及物理模型与训练深层神经网络的优化循环的紧密程度。在这里,特别是利用可微物理的方法允许深度学习和数值模拟的紧密结合。
该存储库收集物理问题深度学习算法的链接,特别强调流体流动,即Navier-Stokes相关问题。它主要收集到TUM的I15实验室的工作链接,以及其他小组的杂项工作。具体可参考下面链接:
https://github.com/thunil/Physics-Based-Deep-Learning
下载对应资料,请在公众号回复:物理
了解更多关于《计算机视觉与图形学》相关知识,请关注公众号:
下载我们视频中代码和相关讲义,请在公众号回复:计算机视觉课程资料