A physics-aware learning architecture with input transfer networks for predictive modeling

论文信息

题目：A physics-aware learning architecture with input transfer networks
for predictive modeling

作者及单位：
Amir Behjat a,∗, Chen Zeng a, Rahul Rai a, Ion Matei b, David Doermann a,
Souma Chowdhury a,∗
a University at Buffalo, Buffalo, NY, 14260, USA
b Palo Alto Research Center (PARC), 3333 Coyote Hill Road, Palo Alto, CA, 94304, USA
期刊、会议：

时间：

论文地址：论文链接

代码：代码链接

基础

摘要

现有的顺序或并行混合建模方法通常不能利用输入或部分和完整物理的潜在特征之间的潜在关系. 此外，很少有现有的体系结构利用提供的样例部分物理模型. 为了解决这些问题，我们开发了一种新的基于神经网络的混合架构，称为“机会物理挖掘转移映射架构(Opportunistic Physics-mining Transfer Mapping Architecture)”或OPTMA. The goal of the OPTMA architecture is to facilitate greater exploitation of input space correlations between partial and full physics where they exist.

论文动机

• 在大多cases中，对于high fidelity或者"full physicis" model 通常没有，如果有，获取的成本也非常高. 在大多数情况下，lower fidelity model或是数据驱动模型用于预测. 虽然单纯的人工神经网络模型已经被证明能够提供具有竞争力的预测，但它们经常被发现在概括和外推方面很差，特别是在使用小的或稀疏的数据集进行训练时。此外，它们并没有隐含地保证遵守基本的物理定律，并且表现出对解释黑箱行为的挑战。
• 混合机器学习或混合代理建模体系结构，以某种方式将计算效率高的部分物理模型与纯数据驱动模型结合起来，已经被提出作为上述问题的解决方案之一

Main contributions:

The new hybrid architecture presented in this paper aims to address following three
issues:

• (1) tackling problems where the input spaces (instead of the outputs) of partial and full Physics are tightly correlated.
• (2) facilitating better exploitation of the inexpensive partial Physics model.
• (3) alleviating the black-box nature of the final predictions.

Related Work

问题背景与定义

本文方法

Relevant literature

数值实验

Neural Network Approximation Theorem for PDEs

总结：