山里娃的博客

**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**？

内嵌物理知识深度学习方法(PINN)已经成功用于解决各类科学计算问题，其本质是将物理先验知识嵌入神经网络训练中，将一个求解PDE的问题转化为一个优化问题。这篇博客主要记录PINN相关论文

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？

物理信息驱动深度学习相关报告

近年来，物理信息驱动的深度学习方法用于科学计算问题受到了越来越多的关注，其中，physic informed neural network(PINN)在求解微分方程(PDE)正逆问题上展现出巨大的优势，但是并不适用于某些需要实时响应的应用。由此，下面将介绍一种基于物理信息极限学习机的PDE求解方法，用于线性微分方程的快速求解，能实现近实时高精度求解(秒级求解)。首先介绍PINN及极限学习机基本方法，其次介绍基于物理信息的极限学习方法，随后介绍求解问题与背景，最后展示基于Pytorch实现的算例结果。

下面我将介绍内嵌物理知识神经网络（PINN）求解微分方程。首先介绍PINN基本方法，并基于Pytorch的PINN求解框架实现求解含时间项的二维Navier-Stokes方程。深度学习求解微分方程系列三：PINN求解burger方程逆问题深度学习求解微分方程系列四：基于自适应激活函数PINN求解burger方程逆问题神经网络作

什么是PINN要回答什么时PINN，首先要回答什么是PDE，即我们的研究对象，PDE关于u(t,x,y)u(t,x,y)u(t,x,y)的偏微分方程(PDE)，形如f(x;∂u∂x1,…,∂u∂xd;∂2u∂x1∂x1,…,∂2u∂x1∂xd)=0,x∈Ωf\left(\mathbf{x} ; \frac{\partial u}{\partial x_{1}}, \ldots, \frac{\partial u}{\partial x_{d}} ; \frac{\partial^{2} u}{\pa

下面我将介绍内嵌物理知识神经网络（PINN）求解微分方程。首先介绍PINN基本方法，并基于Pytorch的PINN求解框架实现求解含时间项的一维burger方程逆问题。

近年来，基于深度学习的偏微分方程求解已是研究新热点。内嵌物理知识神经网络（PINN），能够用于解决与偏微分方程 相关的各种问题，该文章通过基于自适应激活函数的PINN对Burger方程进行快速求解。

下面我将介绍内嵌物理知识神经网络（PINN）求解微分方程。首先介绍PINN基本方法，并基于Pytorch的PINN求解框架实现求解含时间项的一维burger方程。

下面我将介绍内嵌物理知识神经网络（PINN）求解微分方程。首先介绍PINN基本方法，并基于Pytorch框架实现求解一维Poisson方程。1.PINN简介神经网络作为一种强大的信息处理工具在计算机视觉、生物医学、 油气工程领域得到广泛应用, 引发多领域技术变革.。深度学习网络具有非常强的学习能力, 不仅能发现物理规律, 还能求解偏微分方程.。近年来，基于深度学习的偏微分方程求解已是研究新热点。内嵌物理知识神经网络（PINN）是一种科学机器在传统数值领域的应用方法，能够用于解决与偏微分方程 （PDE）

物理驱动深度学习代码总结

收录文章特点收录文章：收录文章收录文章。

近年来，物理驱动深度学习方法非常热门，特别是在求解逆问题上有独特的优势。在该领域，很多研究者在不同数据集上已经提出了性能非常好的求解算法。但都在各自数据集和问题上进行测试比较，发展类似图像benchmark如CIFAR10等公开数据集，比较迫切。现在，在AI求微分方程领域制作了一个PDEBech，可用于基准对比。

物理驱动的深度学习方法入门

内嵌物理知识深度学习方法(PINN)与不确定性量化论文

整理了现有描述PINN图

极限学习机的提出目的是为了解决人工神经网络训练时耗费的时间和高成本。对此，2004年由南洋理工大学的黄广斌提出了ELM学习理论。

内嵌物理知识神经网络投稿期刊总结