《笔记——机器学习与物理模型》by鄂维南院士讲座

力学所的郭永怀力学进展讲座笔记
仅作个人笔记分享用途。如有侵权,请联系我删除。
Ref:
Machine Learning and Physics-based Modeling-Weinan E
《郭永怀力学进展》讲座-主讲人:鄂维南院士

1 物理模型PDE

科学研究的两项基本主题:寻求基本原理与解决实际问题

  • 从基本原理解决实际问题的三种方法:
    1. 简化模型
    要表达物理世界的基本规律;
    不能违反基本的物理限制;
    大致普适准确;
    有物理意义

    (比如空气动力学里的欧拉方程;反例:广义的欧拉方程)
    - 如何简化模型?
    物理方法&数学方法
    2.数值方法
    根本地改变科研的方法,尤其在工程领域
    对于低维问题解决的比较好,但是对于高维问题以及多个自由度(湍流、N-S)解决得不好
    ↑原因:维数灾难CoD
    3.多尺度方法
    基本思想:借助微观模型解决宏观问题
  • 很多问题仍待解决
  • 新想法:机器学习解决维数灾难的表现不错,引入ML解决以上问题?
    借助ML来发展一些可解释、可靠的物理模型

2 机器学习介绍

  • 目标:尽量逼近目标函数。根据目标函数的函数值是离散/连续分为分类问题/回归问题
    数据集划分:训练&测试集
  • ML逼近与经典逼近的差别:
    经典逼近对于高维完全无效
  • Monto Carlo方法避免了维数灾难
  • 把机器学习根据有无维数灾难分为两类:误差表达式是否包含变量d

3

  • 目标:微观的物理模型→利用机器学习→一个简化的宏观模型
  • 本目标与常见的ML问题的区别性:
    通常的机器学习问题,数据集是给定的,比如Cifar;但是我们这里只有微观的物理模型,没有数据
  • 下个定义以便区分:
  1. sequential learning:先收集数据再进行学习
  2. concurrent learning:数据生成与学习一同进行,“on the fly”的。通过生成的数据improve学习
    这与多尺度模型里的划分概念是一致的

  • 鄂维南院士的工作:“ELT”
  1. exploration: 准备数据;先决定这个数据是否需要进行label
  2. labeling:准备数据
  3. training:
    目标——获得一个最优的、具有绝对代表性的数据集,同时数据量尽可能小(减少计算成本)
    在这里插入图片描述- 下面将给出两个ML的concurrent的例子

4 分子动力学

  • 传统困境
    在这里插入图片描述
  • 新的范式:
    思路就是用量子力学来产生数据,ML来建造模型
    在这里插入图片描述- 鄂院士的工作:Deep Potential
    在这里插入图片描述
    整个神经网络是由N个尺度网络合成的,N就是分子的个数
    (后面内容不做笔记了哈,不是搞固体的也不太看得懂,感兴趣的直接看ppt就行,很清楚)

5 空气动力学的动力学模型

Kn克努森数:分子自由程/特征长度,衡量是否复合连续介质假设
根据Kn的不同,可以划分如下:
在这里插入图片描述我们渴望找到一个像欧拉方程一样简洁统一的模型

以玻尔兹曼方程为例,
在这里插入图片描述当Kn较大的时候该怎么解决?

  • 对于传统的方法,可以概括为以下三个步骤:
    在这里插入图片描述最终采用一些简化假设,忽略高阶矩等来闭合这个模型系统

  • 用ML模型怎么做?
    1、用自编码器学习,编码器用来生成最优的moments:W,解码器用来由U、W反推原始函数f
    最小化以下的函数找到最优的moments:
    在这里插入图片描述玻尔兹曼方程同理如下继续训练
    在这里插入图片描述
    综上,整个算法的思路如下:
    在这里插入图片描述【ps.细节问题去看他今年的论文】
    最终的这个优化精度如图:
    在这里插入图片描述

6 总结

1、机器学习与物理建模结合可以打开目前科学研究的新局面
2、concurrent learning的优势
3、不是仅仅在开发“算法”,引入对于物理意义的理解与可解释性,可以直接带我们寻找出新的物理模型

  • 3
    点赞
  • 20
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

yyy_land

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
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