信息物理神经网络—PINN

在做完了Fluent仿真内容之后，我需要训练一个模型，用来快速得到对应空间节点的瓦斯浓度。

物理信息神经网络（Physics-Informed Neural Networks，PINN）是一种将物理学定律直接融入神经网络的训练过程中的方法。

我们来看一下PINN使用的场合，如下图所示的三种：只有数据，而且是大量数据；有一些数据和一些机理表达；没有数据，有大量的机理模型。

PINN适用于中间的场合。 

这是一个传统的神经网络，通过反向传播对权重和偏执进行更新，得到符合要求的模型。 

那么PINN和NN的区别在哪？

 简单来说PINN = NN + physics，我们可以从上图看出，一个全连接神经网络的损失函数变成了几个部分，训练数据的损失函数、微分方程的损失函数、初始约束的损失函数以及边界条件的损失函数。

那么具体来说PINN到底是什么？

如上图一个全连接神经网络通过数据得出了一个输出u，这个u通过微分算子计算得出了一部分微分方程，这些微分方程组成了新的损失函数 。微分算子可以看作是微分计算。

那么如果是多输出怎么办？

同样如此，分别对不同的输出进行微分计算，得到其微分表达式，然后进而得到损失函数进行反向传播。