PINN
文章平均质量分 93
物理信息神经网络,从解偏微分方程开始,利用网络黑盒子AD能力不断获取近似结果
留小星
持续更新 CV、NLP、语音、地震学领域深度学习相关阅读和学习笔记、手动实现各类深度学习网络结构(CNN、Transformer、GAN、DDPM、LLM)
展开
-
嵌入物理(PINN)还是基于物理(AD)?
基于自动微分(Automatic Differentiation)的反演问题解析。利用深度学习框架的自动微分(auto diff)自动计算损失函数关于输入参数的梯度,然后利用深度学习框架中自带的优化算法如Adam等进行模型优化,同时用GPU和矩阵计算提高反演的效率。可用于高效地下横波波速反演和反演结果不确定性估计。核心优势:(1) 无损梯度求解。(2)计算效率高:与传统的数值微分方法相比,自动微分技术具有更高的计算效率,其可以自动计算梯度,避免了重复计算和存储导数的问题。原创 2023-02-20 16:55:38 · 1838 阅读 · 0 评论 -
方程自己解(4)——deepXDE解Diffusion方程
文章目录1. What is diffusion function ?2. How to solving Diffusion function with PINN2.1 1D diffusion function2.2 Diffusion function resample2.3 exact boundary conditions3. Summary这一篇主要是针对一维简单的扩散方程的求解,虽然求解份为了三个小节,但是求解的是同一个方程。只是使用了不同的策略,本质上没有区别。方程是根据deepPDX倒推的原创 2021-10-17 20:55:03 · 3856 阅读 · 9 评论 -
方程自己解(3)——deepXDE解Burgers方程
文章目录1. what‘s Burgers equation2. Solve Burgers equation by DeepXDE2. Burgers RAR4. summaryCite:【1】维基百科.伯格斯方程【2】DeepXDE.伯格斯方程求解1. what‘s Burgers equation2. Solve Burgers equation by DeepXDEBurgers equation:dudt+ududx=vd2udx2, x∈[−1,1], t∈[0,1](1)\原创 2021-10-15 21:46:49 · 4521 阅读 · 25 评论 -
方程自己解(2)——deepXDE解Poisson方程
文章目录1. Poisson 1D with Dirichlet boundary conditions2. Irregular Dirichlet boundary conditions of Poisson function3. Poisson 1D with DIrichlet boundary condition and Neuman boundary condition4. Poisson multiscale 1D 主要参考Deepxde,对其中给定的一些范例进行了复现,熟悉其中的一些函数原创 2021-10-15 13:11:21 · 7131 阅读 · 33 评论 -
方程自己解(1)——物理信息神经网络(PINN)
文章目录前言(一) 物理神经网络(PINN)解读1.1 PINN基本背景1.2 PINN算法描述前言 最近正在看利用“深度学习”(大概吧,其实只是利用了neural network的自动微分特性(AD)),在看一些文章的同时,将文章中提到的开源代码用起来和复现一些基本方程求解能够加快我学习的进度,这里将持续贴出一些方程和代码的求解过程。当然非常希望同学和朋友们可以给我指出错误,最后如果能够坚持下去,这个系列的工作会分享到github,同时如果对各个开源程序有所帮助那就更好了! 由于会参考到很多文章原创 2021-10-13 08:21:05 · 49034 阅读 · 23 评论