学习记录-PINN

最新推荐文章于 2025-03-13 11:21:32 发布
最新推荐文章于 2025-03-13 11:21:32 发布
阅读量4.8k 收藏 38
点赞数 4
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/qq_33475749/article/details/119489550
版权

PINN（物理信息神经网络）

图解

 

训练数据

1.初始条件和边界条件的采样点集；

2.偏微分方程残差采样（类网格点选取or位随机离散点选取）的配置点集；

3.标签数据用来辨识方程参数的已知数据样本集

发展

Jagtap等[6]在激活函数中引入超参数变为自适应激活函数，加速收敛速度；

Shin等[7]针对椭圆型和抛物线型偏微分方程，证明了PINNs训练得到的网络可以一致收敛到偏微分方程的解

Lu等[8]基于Tensorflow开发了Python工具包DeepXDE整合了PINNS及其衍生，可以进行多保真度数据建模，并且从数据中直接学习非线性算子和函数关系；

英伟达[9]开发了SimNet工具包，用于求解偏微分方程的正问题、逆问题和数据融合问题

理解

属于深度学习的一种，损失函数包含物理场（理解为正则项，增加泛化性）和边界条件；

通过神经网络求解偏微分方程（例如NS方程），输入Var(x,t)，输出y(x,t)        *x,t物理场；

通过损失函数中物理场的信息，将神经网络预测结果约束在物理规律之内，使得机器学习方法根本上摆脱了对实验或模型数据的依赖性，提高了模型的可理解性[4]

补充

偏微分方程与神经网络：ResNet；PINN及其衍生（cPINNs，离散域非线性守恒律方程；fPINNs，分数阶偏微分方程；nPINNs，非局部椭圆型偏微分方程；sPINNs，随机偏微分方程；vPINNs，以Petrov-Galerkin方法为基础求解偏微分方程；XPINNs，求解任意几何域上的非线性偏微分方程）[3]

商业应用：英伟达、ANSYS、西门子[3]

未来展望：正问题的精度、逆问题的鲁棒性[3]

Ref

[1] Physics-informed machine learning

[2] Physics-informed neural networks (PINNs) for fluid mechanics: A review

[3] 基于内嵌物理机理神经网络的热传导方程的正问题及逆问题求解

[4] 基于物理信息神经网络的传热过程物理场代理模型的构建

[5] GitHub - maziarraissi/PINNs: Physics Informed Deep Learning: Data-driven Solutions and Discovery of Nonlinear Partial Differential Equations

[6] Adaptive activation functions accelerate convergence in deep and physics-informed neural networks

[7] On the convergence of physics informed neural networks for linear second-order elliptic and parabolic type PDEs

[8] DeepXDE: A deep learning library for solving differential equations

[9] https://developer.nvidia.com/simnet

【PINN求解一维热传导方程】
.DEMO
02-24 609
PINN一维热传导偏微分方程求解
物理信息神经网络（PINN）: 将物理知识融合到深度学习中
热门推荐
是我的博客
02-07 11万+
物理信息神经网络（Physics-Informed Neural Networks，简称PINN）是一种结合了深度学习和物理学知识的机器学习模型。与传统的数据驱动的神经网络不同，PINNs 在学习过程中利用物理法则对模型进行指导，从而提高模型泛化能力，特别是在数据较少或噪声较大的情况下。首先，需要明确模型目标及其对应的物理定律。例如，在解决流体力学问题时，可能会涉及到Navier-Stokes方程。模型的建立和训练过程应围绕该物理定律展开。
图解PINN（物理信息神经网络）
最新发布
LNN0212的博客
03-13 672
PINN 是“Physics-Informed Neural Networks”（物理信息神经网络）的缩写，是一种结合了深度学习和物理知识的机器学习模型，主要用于求解偏微分方程（PDE）和常微分方程（ODE）。PINN可以减少训练模型对数据的依赖，提高模型的泛化能力，能够处理复杂或数据稀缺的问题。但是由于加入了很多的物理公式，会出现计算高阶导数的计算成本较高，难以学习高频和多尺度的难题。
Pinn:一个不和谐的机器人，因此您服务器上的每个人都可以固定消息，而无需获得“管理消息”权限
05-01
品恩 使用此漫游器，任何人都可以在他们具有添加响应权限且漫游器具有管理消息许可权的任何频道上固定消息。 要固定消息，请通过以下方式对该消息做出React :pushpin: 。 要取消固定，请与 :prohibited: 。 请注意，该漫游器只能取消固定其已固定的消息。 由于任何人都可以固定消息，因此仅建议将此bot用于私有不和谐服务器以及您信任的人。 如果您不希望漫游器在公告频道等上工作，请从该频道中删除“管理消息”权限。 邀请到您的服务器： : top.gg上的此bot ： : //top.gg/bot/763842999573544981 discord.bots.gg上的该漫游器： ://top.gg/bot/763842999573544981 Discord上与我联系：Beatso＃1815
物理信息神经网络(PINN)
qq_39444290的博客
12-10 3524
什么是物理信息神经网络(PINN)？ 宋家豪, 曹文博, and 张伟伟. "FD-PINN: 频域物理信息神经网络." 力学学报 55.5 (2023): 1195-1205. 物理信息神经网络(PINN)是一种将深度学习与物理建模相结合的方法，用于求解偏微分方程(PDE)和其他物理问题。PINN 的关键思想是将物理约束嵌入神经网络中，从而使网络能够学习物理系统的行为并满足物理方程。这种方法...
PINN(Python通过递归神经网络直接实现常微分方程积分)
XDFLYQ的博客
01-09 7284
Python构建PINN：（1）加载工具包；（2）搭建基于物理定律的模型结构；（3）将数据驱动内核与基于物理的内核耦合（PINN）；（4）搭建神经网络；（5）使用训练好的神经网络预测 （1）、加载工具包 import pandas as pd #用于数据导入和操作的pandas import numpy as np #用于数据导入和操作的numpy import matplotlib.pyplot as plt #专门化模型 from tensorflow.keras.layers ...
深入了解PINN：物理信息神经网络（Physics-Informed Neural Networks）
weixin_37522117的博客
12-30 8748
深入了解PINN：物理信息神经网络（Physics-Informed Neural Networks）
学习笔记：物理信息神经网络(PINN)
qq_52635735的博客
03-11 2583
PINN 的强大在于它打破了传统数值方法的限制，将神经网络的非线性拟合能力与物理方程的严谨性结合起来。它在处理高维、数据稀缺、复杂物理约束的场景下尤其出色。当然，PINN 也有收敛慢、梯度消失等挑战，比如，复杂 PDE 可能导致梯度传播困难，收敛慢(梯度消失)、于具有快速变化特征的系统，如冲击波，标准 PINN 可能精度不足，需要改进策略，比如自适应采样或多尺度特征提取。但随着研究深入，这些问题正在不断被解决。物理或化学方程为什么往往是偏微分方程？什么是物理信息神经网络(PINN)?x_%7Bi%7D。
2019-PINN-A deep learning framework for solving forward and ... nonlinear PDEs
LuckSugar
09-12 4383
2019-Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations M.Raissia, P.Perdikarisb,∗, G.E.Karniadakisa abstract 我们引入物理信息神经网络——神经网络，这些神经网络经过训练，可以解决受监督的学习任务，
PINN学习记录（3.1）
weixin_45805559的博客
01-05 2134
'''PhyCRNet for solving spatiotemporal PDEs''' import torch import torch.nn as nn import torch.optim as optim from torch.autograd import Variable from torch.optim.lr_scheduler import StepLR import numpy as np import matplotlib.pyplot as plt import scipy.i
Python 机器学习求解 PDE 学习项目——PINN 求解二维 Poisson 方程
qq_39538718的博客
07-23 2939
Python 机器学习求解 PDE 学习项目——PINN 求解二维 Poisson 方程
【Meta-Learning】元学习综述 Meta-Learning in Neural Networks: A Survey　（ing）
yuuzhao的博客
12-18 3125
文章目录参考资料元学习是什么元学习的研究现状元学习有哪些方法 参考资料 论文原文： https://arxiv.org/pdf/2004.05439.pdf 现有翻译： https://blog.csdn.net/qq_38680752/article/details/106488508 论文集合：　https://github.com/floodsung/Meta-Learning-Papers 元学习是什么 参考资料　：元学习（Meta-learning）——李宏毅老师教学视频笔记 - 郑思座的文章 -
PINN学习记录3.2
weixin_45805559的博客
12-02 871
part3 Encoder class encoder_block(nn.Module): ''' encoder with CNN ''' def __init__(self, input_channels, hidden_channels, input_kernel_size, input_stride, input_padding): super(encoder_block, self).__init__() sel
Physics-Informed Neural Networks （PINN）
m0_57411304的博客
04-07 3436
通过合理设计神经网络的结构和损失函数，可以使得网络能够学习物理系统的行为，并在给定边界条件和初始条件的情况下预测系统的响应。与传统方法的比较：将 PINN 的结果与传统的数值模拟方法进行比较也是一种评估性能的方法。物理约束：为了验证 PINN 是否满足热传导方程，我们可以在 PINN 中输入未在训练中使用过的输入值，如在杆内部的点。PINN 的优势在于它能够将神经网络的拟合能力与物理知识的约束相结合，具有较高的灵活性和泛化能力。输入新的输入变量，通过 PINN 计算输出变量，并将其与实际观测值进行对比。
PINN(Physics-informed Neural Networks)之入门
qq_45776432的博客
02-25 3362
PINN(Physics-informed Neural Networks)之入门主要从high-level的角度先引入物理模拟主要是要做一件什么事，然后深入浅出地更进一步解释了PINN文章具体的情况。
机器学习（31）PINN
qq_45800507的博客
04-14 2385
本文主要讨论PINN。本文简要介绍了监督学习。其次本文展示了题为Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations的论文主要内容。该论文提出了一个深度学习框架，使数学模型和数据能够协同结合。
PINN学习与实验（一）
刘文凯的博客
04-24 2万+
目录所用工具数学方程模型搭建所有实现代码参考文献 今天第一天接触PINN，用深度学习的方法求解PDE，看来是非常不错的方法。做了一个简单易懂的例子，这个例子非常适合初学者。 所用工具 使用了python和pytorch进行实现 python3.6 toch1.10 数学方程 使用一个最简单的常微分方程： f′(x)=f(x)(1)f(x)=0(2) f'(x) = f(x) \hspace{2cm}(1) \\ f(x) = 0 \hspace{2.6cm}(2) f′(x)=f(x)(1)f(x)=
【PINN物理信息网络】基于PINN物理信息网络模拟动态系统（阻尼谐波振荡器）（python)
k8291121的博客
01-03 1219
【PINN物理信息网络】基于PINN物理信息网络模拟动态系统（阻尼谐波振荡器）（python)
元学习+pinn
03-13
### 关于元学习与物理信息神经网络 (PINN) 的结合 #### 背景介绍 元学习（Meta-Learning），也被称为“学会学习”，是一种使机器学习算法能够快速适应新任务的技术。其核心目标是从以往的经验中提取通用的知识，从而加速对未知问题的学习效率[^5]。而物理信息神经网络（PINN）则通过将物理约束嵌入到神经网络的训练过程中，显著提高了对于复杂物理系统的建模能力和准确性[^2]。 当两种技术相结合时，可以通过元学习的方法来优化 PINN 中的关键参数设置以及初始化策略，进一步提升其在多场景下的表现和泛化能力。这种组合不仅保留了 PINN 对物理规律的高度契合特性，还引入了更强的任务自适应机制。 #### 技术实现路径 一种可能的方式是在每次新的物理仿真任务到来之前利用少量样本进行快速调整，即所谓的 Few-Shot Learning 场景。具体来说： 1. **定义超参空间** 需要先确定哪些方面适合采用元学习来进行调节。例如，可以选择不同的激活函数形式、隐藏层结构或是正则化强度等因素作为可变维度[^6]。 2. **构建基础模型集合** 使用一组预设的基础配置创建多个初始版本的 PINNs，并记录它们分别针对各类简单测试用例的表现情况[^7]。 3. **实施梯度更新规则** 基于 MAML(Meta-Learning Algorithm with Model-Agnostic Meta-Learning) 或其他相似框架的思想，在每一轮迭代里交替执行两个阶段的操作——全局共享知识积累和个人局部特征捕捉[^8]。 以下是简单的伪代码展示如何集成上述思路： ```python def meta_train(pinn_models, tasks): for task in tasks: # Sample a few-shot dataset from current task. support_set, query_set = sample_few_shot(task) for pinn_model in pinn_models: # Inner loop adaptation on the sampled data. adapted_weights = inner_loop_adaptation(support_set, pinn_model.weights) # Evaluate performance and compute gradients w.r.t original weights. loss = evaluate_on_query(query_set, adapted_weights) grads = compute_gradients(loss, pinn_model.weights) # Outer loop update across all models/tasks. apply_outer_update(grads, learning_rate=0.01) ``` 此过程强调的是让整个系统具备跨领域迁移的能力，即使面对全新的物理现象也能迅速找到合理的解决方案[^9]。 #### 实际案例探讨 考虑到前面提到的内容，下面列举几个潜在的研究方向及其意义： - 在材料科学领域内开发新型合金成分设计工具； - 探索气候变化条件下海洋环流变化趋势预测的新途径； - 改善药物分子筛选流程中的动力学行为评估精度等。 以上每一个例子都涉及到大量不确定因素的影响，因此非常适合运用元学习增强版的 PINN 方法论去探索更深层次的理解并提供定量支持[^10]。
评论 1
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
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