基于物理信息的神经网络基础【2】及 裂纹扩展混合预测案例
前言
2019年,布朗大学应用数学系研究团队提出了PINN(Physics informed NN),并发表在《计算物理学期刊》(Journal of Computational Physics)。自从发表,PINN成为了AI物理领域最常见的一个关键词。本篇博客对基于物理信息的神经网络的基础进行了进一步讨论,并且对裂纹扩展混合预测模型这一案例进行了补充说明。
figure cite: https://bbs.huaweicloud.com/blogs/detail/263776
1. 物理信息神经网络的概念
基于物理信息的神经网络(Physics-informed Neural Network, 简称PINN),是一类用于解决有监督学习任务的神经网络,同时尊重由一般非线性偏微分方程描述的任何给定的物理规律。
1.1 基本原理:
它不仅能够像传统神经网络一样学习到训练数据样本的分布规律,而且能够学习到数学方程描述的物理定律。这个限制如何实现呢?也就是将物理方程迭代前后的差值就爱到Neural Network中的损失函数之中,让这个物理方程每次都能够得到训练。那么神经网络在训练迭代的过程之中优化的就不仅仅是网络自己的损失函数,还包括了物理方程每次迭代的差值,使得最后训练出来的模型满足某种设定的物理规律。