物理信息驱动深度学习相关报告总结

最新推荐文章于 2024-06-08 09:38:47 发布

pinn山里娃

最新推荐文章于 2024-06-08 09:38:47 发布

阅读量1.8k

点赞数 18

分类专栏：物理驱动的深度学习专栏文章标签：深度学习人工智能机器学习

本文链接：https://blog.csdn.net/weixin_45521594/article/details/127437541

版权

19 篇文章 325 订阅

订阅专栏

物理信息驱动深度学习相关报告

内嵌物理的深度学习，机器之心。
- 报告人：麻省理工学院陆路老师。
- 报告内容：本次分享将回顾将物理知识嵌入机器学习的一些趋势，介绍当前的一些常用方法，包括内嵌物理的神经网络（physics-informed neural networks，PINNs）、多保真度神经网络（nulti-fidelity neural networks）和深度算子网络（DeepONet），同时还将讨论这些方法在求解物理和工程问题上的一些应用，特别是在反问题求解上的应用。
- PPT：https://lululxvi.github.io/files/talks/2021Synced.pdf
A Short Introduction to Physics InformedNeural Networks (PINNs)，b站。
- 报告人：李军博士，谢毅博士，殷会敏博士，刘旭博士。
气动优化设计中的可解释可迁移机器学习研究，WS-FTNCFD-2022。报告人：清华大学李润泽博士。
leaning operators using deep neural networks for diverse application，哔哩哔哩。
- 报告人：麻省理工学院陆路老师。
- 该报告主要介绍了陆路老师关于deeponet相关工作。