AI4Science(2024年4月总结)：物理驱动及数据驱动深度学习方法用于科学计算问题

于 2024-10-18 16:02:47 发布
阅读量1.8k 收藏 32
点赞数 21
分类专栏： openfoam相关 文章标签： 深度学习 人工智能 deeponet pinns 神经算子 数据驱动
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/weixin_44162814/article/details/143055774
版权

 

本文主要介绍，用于科学计算问题中的物理驱动和数据驱动的深度学习方法。通过方法算例，对现有方法总结。时间是2024年4月。原文链接在最后，本文章自己学习使用。

一、物理驱动深度学习方法总结

现有博主更新物理驱动深度学方法总体介绍

二、基于神经网络的PDE方程求解编程教程

单个PDE求解

神经网络求解的是单个PDE方程（固定的边界、初值、源项、区域下），正问题需知道所有约束，逆问题需要部分约束及观测

1.PINN

2.物理信息极限学习机（PIELM）

（1）PIELM

该方法结合极限学习机网络与PINN，实现比PINN更高效的求解与计算，

（2）贝叶斯物理信息极限学习机（量化不确定性）

一种基于物理信息极限学习机的PDE求解方法—扩散方程

3.PINN改进方法

（1）损失项

一种自适应权重的PINN方法（基于不确定性的损失权重自适应）

一种基于梯度增强的PINN方法（基于自适应残差梯度）

（2）激活函数

（3）求解域分解

（4）数据损失

（5）PDE约束

4.一种用于时空PDE的内嵌物理卷积循环神经网络

  • 结合物理信息，利用CNN和LSTM求解时序微分方程。

参数化PDE求解

神经网络求解的不是一个PDE，而是多个参数化PDE（可能是变边界、变初值、变源项、变区域），训练后直接预测新参数下的物理场。

1.Deeponet

数据驱动方法，需要标签数据

物理驱动方法，不需要标签数据

2 物理驱动深度学习方法

3.基于降阶模型的方法

  • 一种基于POD和神经网络的代理模型方法

应用

力学应用

流体应用

Wave应用

热传导应用

电磁应用

三、理论知识

1.重要总结

AI4Science：基于神经网络的微分方程求解器论文总结

AI4Science：PINN物理信息神经网络入门及相关论文

AI4Science：关于人工智能时代重要科学发现的总结

AI4Science：物理信息驱动的深度学习(PINN)方向重要进展与趋势

AI4Science：物理信息驱动深度学习相关报告

2.方法理论介绍

物理驱动模型

AI4Science：一种强制约束的物理信息神经网络

AI4Science：一种强制约束的物理信息神经网络用于流形域求解

AI4Science：PDEBench-AI求解微分方程新基准

AI4Science：基于物理信息驱动深度学习的不确定性量化方法—PINN

数据驱动模型

AI4Science：扩散模型基础理论

AI4Science：基于生成模型的复杂流体重建方法总结

AI4Science：AI for science常用模型入门教学

原文链接：https://zhuanlan.zhihu.com/p/665189154

改进的物理信息极限学习机PIELM 求解 尖锐梯度椭圆偏微分方程 - 高度瞬态的问题
天天酷科研的博客
01-16 531
改进的物理信息极限学习机PIELM 求解 尖锐梯度椭圆偏微分方程 - 高度瞬态的问题
Nature science！无名之辈初露锋芒，流体力学迎来划时代发展，凭此荣登榜首！仿真学习与应用 2024年11月06日 08:01 上海在深度学习与流体力学融合的背景下，科研边界不断拓展，
最新发布
qq_15963745的博客
02-15 59
国外某高校博士研究生, 研究方向集中于深度学习在流体动力学中的应用, 涵盖流场重建, 流场预测及流动控制等领域。过去三年内, 以第一作者及主要作者身份在。
“Physics-based Deep Learning”学习笔记(1)
RMG的专栏
09-30 3300
“Physics-based Deep Learning”学习笔记1 可微分物理学(Differentiable physics(DP)) 基于物理的深度学习，其本质是应用某个特定领域内的模型方程，将其离散化之后的方程整合进深度学习的训练过程。正如其名称中所提到的“可微分”，拥有可微分的公式对于训练神经网络至关重要。 接下来，我们通过一个粒子来了解基于DP的深度学习。 假设存在一个未知的函数f∗：X→Yf^{*}：X \rightarrow Yf∗：X→Y(通常用∗*∗的上标来表示理想或者未知的函数，而可离
物理驱动深度学习方法总结
山里娃的博客
11-17 2140
PINN综述Blog介绍：内嵌物理知识神经网络 （Physics Informed Neural Network，简称PINN） 是一种科学机器在传统数值领域的应用方法，特别是用于解决与偏微分方程 （PDE） 相关的各种问题，包括方程求解、参数反演、模型发现、控制与优化等。综述论文基于神经网络的偏微分方程求解方法研究综述，中文综述。
物理驱动深度学习（PINN）代码
山里娃的博客
10-12 7249
物理驱动深度学习代码总结
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。
PINN物理信息驱动的深度学习方向重要进展与趋势
山里娃的博客
06-16 3382
将物理先验知识嵌入深度学习模型和算法中，可提高学习效率和能力，目前这个方向有哪些重要进展和趋势？
关于举办“基于Fluent和深度学习算法驱动的流体力学计算与应用”培训会议的通知
m0_72574949的博客
05-30 1269
涵盖先进的计算方法（如伪谱法、CNN、GAN、Neural ODE、PINN等）、软件工具应用（Fluent软件、Python编程）、深度学习流场超分辨率、神经网络在湍流模拟中的应用（物理信息神经网络（PINN）和基于图神经网络（GNN））、神经网络在空气动力学中的应用、流动生成与可视化技术（反向追踪算法、Tecplot、Houdini等），全方位提升您的流体力学计算与应用能力。研究方向包括：计算流体力学、流体力学中的机器学习方法、数据驱动的计算力学、有限元方法等。，科研边界不断拓展，创新成果层出不穷。
举办“深度学习驱动的流体力学计算与应用”实战培训会议的通知
m0_72574949的博客
04-26 1006
来自全球顶尖大学香港科技大学，博士，具有丰富的流体力学工作经验，包括实验流体力学，计算流体动力学(CFD)，近年来发表论文10余篇，申请专利三项。伴随深度学习在流体力学研究中应用的普及，相关的开源软件和工具为科研人员提供了便捷的平台，简化了深度学习模型的实现与应用过程，加速了研究成果的转化。涵盖经典流体力学、机器学习、深度学习、实验流体力学、计算流体动力学、时空超分辨率、深度强化学习等核心知识，全方位提升您的流体力学计算与应用能力。2024年5月25日--5月26日 在线直播（授课两天）
关于举办“基于OpenFOAM和深度学习驱动的流体力学计算与应用”培训会议的通知
m0_72574949的博客
05-30 888
来自全球顶尖大学香港科技大学，博士，具有丰富的流体力学工作经验，包括实验流体力学，计算流体动力学(CFD)，近年来发表论文10余篇，申请专利三项。伴随深度学习在流体力学研究中应用的普及，相关的开源软件和工具为科研人员提供了便捷的平台，简化了深度学习模型的实现与应用过程，加速了研究成果的转化。涵盖经典流体力学、机器学习、深度学习、实验流体力学、计算流体动力学、时空超分辨率、深度强化学习等核心知识，全方位提升您的流体力学计算与应用能力。航空航天、船舶制造、能源工程、石油化工、环境科学、水利水电等领域的工程师。
HJB_NN:使用物理驱动的机器学习设计最佳反馈控制器的框架
04-09
高维Hamilton-Jacobi-Bellman方程的自适应深度学习 在找到已，或查看。 软件推荐： tensorflow-gpu版本1.11，scipy版本1.4，numpy版本1.16 该存储库的组织方式： 主文件夹： generate.py：通过使用时间步长求解BVP来生成数据 train.py：训练NN来建模值函数 Simulation.py：模拟系统的闭环动态，并与BVP解决方案进行比较。 describe_noise.py：模拟具有零阶保持和测量噪声的闭环动态。 Forecast_value.py：使用NN预测网格上的值函数。 test_time_march.py​​，test_warm_start.py：测试时间行进和NN热启动的可靠性和速度 例子/： 这是唯一需要调整设置的文件夹 此文件夹包含各自在自己的文件夹中的问题的示例。 这些文件夹中的每个文件夹都必须包
跟着深度学习好书实践tensorflow神经网络
通达的博客
10-11 1335
1986年辛顿与 David Ackley 和 Terry Sejnowski 共同发明了玻尔兹曼机，有关反向传播算法和波尔兹曼机的两篇重要文章，研究者们兴趣盎然，他们凭借自身的信念，排除嘈杂的干扰而自得其乐，江湖貌似平静但暗流涌动，为人工智能春天之到来做好了准备。正是应了一句名言：“大隐隐于市”。
深度学习数据驱动_模型驱动的物理层通信深度学习
weixin_40004057的博客
11-21 331
物理信息驱动的深度学习相比于传统数值方法的潜在优势
山里娃的博客
06-16 4757
**物理驱动的深度学习如神经网络方法相比于传统数值方法有哪些潜在优势**？
各种物理动力驱动的动画
ios_xhb的专栏
08-14 658
物理动画模型：重力、碰撞
AI人工智能深度学习算法：在流体动力学中的应用
AI智能涌现深度研究
07-15 943
AI人工智能深度学习算法：在流体动力学中的应用 关键词： 深度学习、流体动力学、数值模拟、湍流、神经网络、物理一致性、多尺度方法、强化学习、自主学习、模型校正、预测精度、稳定性 1. 背景介绍
MindSpore Science科学计算行业套件——MindSpore Elec电磁仿真套件
Kenji_Shinji的博客
06-27 1159
当前多种算力正在激发跨领域的应用融合，AI已经成为研究科学计算的新范式。因此我们将MindSpore拓展到科学计算领域。通过多尺度混合计算和高阶混合微分两大关键创新，将MindSpore原有的AI计算引擎升级为AI与科学计算的统一引擎，实现融合的统一加速。在此基础上，我们面向8大科学计算行业打造MindSpore Science【1】系列套件。这些行业套件包含业界领先的数据集、基础模型、预置高精度模型和前后处理工具，加速科学行业应用开发。当前，我们推出面向电子信息行业的MindSpore Elec套件和面向
PINN物理信息驱动的深度学习方法与不确定性量化
山里娃的博客
06-01 2555
内嵌物理知识深度学习方法(PINN)与不确定性量化论文
Python求解波动方程，并绘制波包变化图
微小冷的学习笔记
11-10 8488
波动方程数值解 波动方程是三大物理方程之一，也就是弦振动方程，其特点是时间与空间均为二阶偏导数。其自由空间解便是我们熟知的三角函数形式，也可以写成自然虚指数形式。 一般来说，既然有了精确的解析解，那也就没必要再去做不精确的数值模拟，但数值模拟的好处有两个，一是避免无穷小，从而在思维上更加直观；二是颇具启发性，对于一些解析无解的情况也有一定的处理能力。 对此，我们首先考虑一维波动方程 ∂2y∂x2−1c2∂2y∂t2=0 \frac{\partial^2y}{\partial x^2}-\frac{1}{c^
评论
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

打赏作者

热爱生活的五柒

谢谢你的打赏，人好心善的朋友！

¥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