含参PDE（偏微分方程）的神经网络并行编程区域分解mpi4py

已于 2022-12-28 16:20:58 修改
阅读量603 收藏
点赞数
分类专栏： 高性能计算 Deep learning 文章标签： 神经网络 算法
于 2022-12-14 12:05:18 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/forrestguang/article/details/128306458
版权
高性能计算 同时被 2 个专栏收录
46 篇文章 29 订阅 ¥239.90 ¥99.00
订阅专栏
Deep learning
42 篇文章 68 订阅 ¥239.90 ¥99.00
订阅专栏

bfgs是我们课题组自己写的优化库，可以注释掉，使用torch.optim.LBFGS代替

含参PDE介绍

− Δ u = f , x ∈ Ω = ( 0 , 1 ) 2 -\Delta u=f,x \in \Omega=(0,1)^2 −Δ

了解本专栏 订阅专栏 解锁全文
Galerkin码农选手
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
并行计算与MPI.pdf
06-01
关于MPI、并行计算的总结对比，目录如下： 1. 并行计算 1.1. 相关背景 1.2. 什么是并行计算 1.3. 主要目的 1.4. 并行计算与分布式计算 1.5. 并行的基本条件 1.6. 主要的并行系统 1.6.1. 共享内存模型 1.6.2. 消息传递模型 1.6.3. 数据并行模型 1.6.4. 对比分析 2. MPI 2.1. 什么是MPI 2.2. MPI的实现 2.3. MPI基本函数 2.4. MPI功能特点 2.5. 技术对比分析 2.5.1. 共享内存模型（以OpenMP为例） 2.5.2. 分布式内存模型 2.6. 小结 3. 问题解释 3.1. 并行计算和MPI是什么关系？为了实现并行计算，是否使用MPI技术即可实现？ 3.2. MPI技术原理是什么，即基础设施提供什么样的支持能力？ 3.3. 为了实现并行计算，应用软件需要什么样的特殊设计 3.4. 什么样的软件需要并行计算 4. 部分参考资料
多神经网络联合训练算法及其在求解偏微分方程中的应用
02-21
多神经网络联合训练算法及其在求解偏微分方程中的应用，李海滨，贺云，本文提出了一种基于神经网络计算的偏微分方程求解方法。根据多层前向型神经网络对任意非线性函数的逼近特性，以一个三层前向型神
神经网络求解偏微分方程代码分析
weixin_41582053的博客
04-11 6563
在我分享了我的神经网络求解微分方程的代码后，很多志同道合的朋友与我进行了交流。下面把我求解偏微分方程的代码分享出来，主要是分享代码思路。这个代码是在求解常微分方程的基础上进行的修改，现在看来有些语句可以换成更高级的表达。若有更好的表达方式欢迎评论/私信！ 运行环境：python3.6 + tensorflow1.2.1 + CPU 若要tensorflow2.0及以上的版本运行需要添加一行代码 偏微分方程代码分析数学问题代码展示代码分析结果展示 数学问题 程序想要解决的数学问题是 其中求解区域是 对
曲面偏微分方程：参数化有限元方法
LSEC小陆的博客
11-06 1627
曲面偏微分方程：参数化有限元方法 前面介绍的P\mathbf{P}P和Pd\mathbf{Pd}Pd，及其对应的同参等值延伸及投影自然延伸，对于曲面上有限元方法的理论分析起着至关重要的作用。 利普希茨参数曲面上的FEM 利普希茨参数化曲面 因为同参映射P\mathbf{P}P的双利普希茨性，存在一个常数LLL，使得  (64) L−1∣x1−x2∣≤∣x~1−x~2∣≤L∣x1...
【神经网络+数学】——（4）神经网络求解二元偏微分问题（二阶偏微分）
BlackValley的博客
06-26 2538
背景 前面几篇博客介绍了神经网络应用到积分、一元N阶微分的原理、方法并实践了可行性，取得了较好的拟合效果，现在针对偏微分方程PDE进行最后的攻关，完成该部分攻关后即基本掌握了神经网络应用到方程求解的原理方法以及实践代码的自主可控，其实多元N阶微分如果不是偏微分方程则可表示为（以一阶微分为例） dxdtdydt+dxdt+dydt+x(t)+y(t)+2=0\frac{dx}{dt}\frac{dy}{dt}+\frac{dx}{dt}+\frac{dy}{dt}+x(t)+y(t)+2=0dtdx​dtd
图神经网络解偏微分方程系列（一）
gdsjk123的博客
10-16 2923
图神经网络解偏微分方程系列（一）1. 标题和概述Learning continuous-time PDEs from sparse(稀疏) data with graph neural networks 使用图神经网络从稀疏数据中学习连续时间偏微分方程这篇文章是使用图神经网络从稀疏数据中学习连续时间偏微分方程，发表在ICLR，ICLR是深度学习的顶级会议。文章提出的模型主要创新点是允许任意空间和时间离散化，也就是说在求解偏微分划分网格时，网格可以是不均匀的，由于所求解的控制方程是未知的，在表示控制方程时，作
用深度学习求解高维偏微分方程
热门推荐
LSEC小陆的博客
11-08 2万+
用深度学习求解高维偏微分方程 简述： 我们一般求解的传统的PDE维数也就二维三维，但是在其他领域中，比如说金融学，通过数学建模构建出来的PDE的维数及其之高，维数升高带来的“维数灾难”问题亟待解决。 这篇文章，介绍了一种基于深度学习的方法，可以处理一般的高维抛物型方程。这篇文章，用反向随机微分方程构造PDE，并用神经网络近似未知解的梯度，来求解高维的偏微分方程。 高维PDE的来源： 1、量子多体问...
神经网络学习（三）：解偏微分方程
lny161224的博客
09-28 1万+
前言 在完成了常微分的数值解之后，我开始如法炮制的来解偏微分，我觉得解法上是一样的，都直接使用autograd就可以了，所以理论是难度并不大（虽然实际上我是花的时间最长的），只不过需要注意的细节比较多，所以模型卡了很久都没有效果，让我都怀疑人生了，今天终于找到了问题！所以把整个过程介绍一下 今天选择的偏微分方程为Burgers方程，在Dirichlet条件下求数值解，具体形式为： 训练流程 1.定义网络 这里定义网络的方法还是和第二篇是一样的，有...
求解常和偏微分方程的人工神经网络
weixin_54192397的博客
05-31 2297
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 系列文章目录 前言 一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习..
利用神经网络求解微分方程
rauchy的博客
10-22 1万+
原理 实现 效果
ICML 2023 | LSM：基于隐谱模型的高维偏微分方程求解器
数据派THU
05-16 397
本文约4000字，建议阅读5分钟本文介绍本组ICML 2023 科学学习方向的最新工作：Solving High-Dimensional PDEs with Latent Spectral Models。摘要：针对高维PDE求解过程中的高计算复杂度与复杂映射拟合的难题，本文提出了隐谱模型（LSM），在理论保证下实现了复杂映射的高效、准确近似，并在广泛的固体、流体模拟任务上取得了一致最优结果。作者：...
PDE-using-MATLAB.rar_pde_pde 偏微分方程_偏微分
07-15
用matlab求解偏微分方程，里面含有大量的源代码，特别适用于初学者！
基于LSSVM的PDE偏微分方程求解的matlab仿真+仿真录像
10-27
1.版本：matlab2021a，我录制了仿真操作录像，可以跟着操作出仿真结果 2.领域：LSSVM 3.内容：基于LSSVM的PDE偏微分方程求解的matlab仿真+仿真录像 4.适合人群：本，硕等教研学习使用
PDE.rar_matlab 偏微分_matlab_PDE_pde_pde 偏微分方程_图像 微分
09-20
偏微分方程的MATLAB解法，对于利用偏微分方程进行图像处理的研究人员有较大的参考价值
Matlab解微分方程(ODE+PDE).zip_MATLAB 解微分方程_ODE-PDE_pde 偏微分方程_zooxya_偏
09-15
MATLAB解常微分方程和偏微分方程求解器介绍，算法和用法。结合几个有代表性的案例，一步步讲解，非常简单、清楚，明了
Heat_Equation.zip_conduction_pde heat_pde 偏微分方程_基于偏微分方程_热
07-14
基于偏微分方程(PDE)的热传导方程滤波的matlab实现
26种主流的神经网络偏微分方程求解方法汇总
最新发布
学姐带你玩AI的博客
12-15 3525
是数学中一门重要的分支，应用范围广泛涉及自然科学、工程技术、生物学领域等。然而我们都知道，偏微分方程的求解过程异常艰难，如果碰上了特别复杂的，传统的计算方法可能需要数百万个CPU小时。怎么解决？神经网络这就来了！经研究发现，深度学习神经网络求解可以大幅度提高效率，比传统的偏微分方程求解器更快地求出近似解。为此，更多人投入到了这个方向的研究中，基于神经网络的偏微分方程求解方法也成了研究新热点。目前该方向主要分为。
神经网络求解偏微分方程时遇到的一些问题
ion_ura的博客
01-06 861
记录了自己编写神经网络解算偏微分方程时遇到的一些问题，并附上了完整的代码.
PDE-GCN:偏微分方程下的图卷积神经网络
weixin_44370695的博客
12-20 1473
NeurIPS 2021文献： PDE-GCN: Novel Architectures for Graph Neural Networks Motivated by Partial Differential Equations 图形神经网络正日益成为各种领域的主流方法计算机视觉、计算生物学和化学等领域的数据这些都可以用图表自然地解释。然而，与传统的卷积神经网络不同网络，深图网络不一定比其他网络产生更好的性能浅图网络。这种行为通常源于过度平滑现象在这项工作中，我们提出了一系列体系结构来控制这一点设计的行为。
用神经网络自适应采样法求解偏微分方程的代码实现实例
04-04
很抱歉，作为AI语言模型，我无法提供完整的代码实现，但我可以为您提供一些参考资料和思路。 神经网络自适应采样法（Neural Network Adaptive Sampling，NNAS）是一种基于神经网络的求解偏微分方程的方法。其思路是在求解域上采样一些点，然后利用神经网络进行插值或逼近，从而得到偏微分方程的解。在求解过程中，采样点的数量和位置是通过神经网络自适应调整的，可以避免采样点过多或过少的问题。 下面是一个简单的使用NNAS求解偏微分方程的示例（仅供参考）： 1.首先，需要定义偏微分方程及其边界条件： ``` import numpy as np def pde(x, u): # 定义偏微分方程 return -np.sin(x) + u def bc(u_a, u_b): # 定义边界条件 return u_a - 1, u_b - np.exp(-1) ``` 2.然后，定义采样函数，用于生成采样点： ``` def sample(n): # 生成n个均匀分布的采样点 x = np.linspace(0, 1, n) return x.reshape((-1, 1)) ``` 3.接下来，定义神经网络模型，用于插值或逼近： ``` import tensorflow as tf class NN(tf.keras.Model): def __init__(self): super(NN, self).__init__() self.dense1 = tf.keras.layers.Dense(50, activation='tanh') self.dense2 = tf.keras.layers.Dense(50, activation='tanh') self.dense3 = tf.keras.layers.Dense(1, activation=None) def call(self, inputs): x = self.dense1(inputs) x = self.dense2(x) x = self.dense3(x) return x ``` 4.最后，定义NNAS求解器，并进行求解： ``` class NNASolver: def __init__(self, n_sample=50, n_hidden=50): self.n_sample = n_sample self.n_hidden = n_hidden def solve(self): # 生成初始采样点 x = sample(self.n_sample) u = np.zeros_like(x) # 定义神经网络模型 nn = NN() # 定义优化器和损失函数 optimizer = tf.keras.optimizers.Adam() loss_fn = tf.keras.losses.MeanSquaredError() # 开始训练 for i in range(1000): with tf.GradientTape() as tape: # 计算预测值 u_pred = nn(x) # 计算偏微分方程的残差 residual = pde(x, u_pred) # 计算边界条件的残差 bc_a, bc_b = bc(u_pred[0], u_pred[-1]) # 计算总的损失函数 loss = loss_fn(residual, tf.zeros_like(residual)) + \ loss_fn(bc_a, tf.zeros_like(bc_a)) + \ loss_fn(bc_b, tf.zeros_like(bc_b)) # 计算梯度并更新参数 grads = tape.gradient(loss, nn.trainable_variables) optimizer.apply_gradients(zip(grads, nn.trainable_variables)) # 根据误差大小自适应调整采样点 error = np.abs(residual.numpy()) idx = np.argsort(error)[-self.n_sample:] x = np.vstack([x, x[idx]]) u = np.vstack([u, u_pred.numpy()[idx]]) # 如果采样点数量超过阈值，就进行剪枝 if len(x) > 200: error = np.abs(pde(x, nn(x)).numpy()) idx = np.argsort(error)[:self.n_sample] x = x[idx] u = u[idx] return x, u, nn(x) ``` 使用NNAS求解器求解偏微分方程： ``` solver = NNASolver() x, u, u_pred = solver.solve() ``` 这是一个简单的示例代码，实际使用中需要根据具体的偏微分方程进行调整和优化。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Galerkin码农选手

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值