PINN内嵌物理知识神经网络入门及文献总结

VIPPINN内嵌物理知识神经网络入门及文献总结
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
开通可读全文 ·7.4w 人阅读
最低0.47元/天 解锁文章

喜欢可点赞关注,并收藏,您的支持就是我的写作的动力

一、 PINN介绍

  • 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

二、物理信息驱动深度学习动手编程教程

内嵌物理知识神经网络:

基于物理信息的极限学习机:

三、 物理信息驱动深度学习方法几点讨论

具体请看对应链接详细解释。

1 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

  • 反问题计算上有比较大的优势。
  • 需要做快速推断时,优势更明显。
  • 高维问题上的潜在优势。

2 先验物理嵌入深度学习模型研究重要进展和趋势

  • 物理嵌入方式方法上。当前,物理信息驱动的深度学习方法主要有以下几种物理嵌入的方式:
    • 通过对网络结构特殊设计嵌入物理。如已知微分方程有一阶导和二阶导,可将 一阶导和二阶导嵌入到网络模型中,这可以看做是一种直觉的嵌入,能够提高网络的学习,但这并不是必须地,一定能提高网络学习能力,而是直觉上觉得应该能提高。
    • 某种意义上的hard constraint。
    • 从网络学习上。
    • 很多知识通过数据隐式表现(如模拟数据)如何利用这些数据。
  • 量化不确定性。

3 神经网络在求解PDE-based物理系统时的重要理论问题

  • 从频率角度看待收敛性问题。
  • 适定性问题研究。
  • 损失震荡持续下降问题。特别是利用神经网络求解PDE时,
  • 如何在不训练网络下做误差分析,给出网络的一些收敛阶。

4 面临的理论、算法和应用方面的主要挑战与可能的解决方法

  • 严格嵌入物理。物理信息不是简单加到损失函数中进行优化,而且设计网络时,严格嵌入网络结构中,使得网络输入输出严格满足物理约束,再去做优化。一种思路,能否将传统数值方法优势叠加到网络设计中可能使得求解优化问题变得更简单,也是当前研究一大难点。
  • 应用上可进一步发展。理论上进一步难做,但目前来看,往应用问题上进一步发展还是非常有前景。物理驱动深度学习方法在前面讲到在逆问题上的优势,对于传统数值方法在某些逆问题上很难求解甚至无法求解,但利用深度学习神经网络的灵活性,能求解以前不能做的问题并将误差降到勉强能接受的问题。
  • benchmark的研究。提出的方法能够在同样的问题上验证算法。
  • 关注频率角度看待网络学习。可以关注学习上海交大许志钦老师的blog,频率原则。

四、相关论文

1 定义问题, 建立工程架构

  • Integrating physics-based modeling with machine learning: A survey
  • Physics-informed neural networks: A deep learning framework for solving forward and inverse
    problems involving nonlinear partial differential equations
    • 用内嵌物理信息的神经网络求解PDE的源头文章,从数据驱动角度提出PINN,求解PDE正逆问题。
    • 代码链接。
  • DGM: A deep learning algorithm for solving partial differential equations
    • 对于高维PDE用数值方法不能求解,提出DGM方法即用神经网络求解高维PDE问题,同时提出用Monte Carlo估计方法代替PDE中的二阶导数能够加速学习。
    • 代码链接。
  • hp-VPINNs: Variational Physics-Informed Neural Networks With Domain Decomposition
    • 采用变分区域的方式对区域内采点,这是一种启发式的踩点方法,在准确性上有所提升。
  • Physics-informed neural networks for inverse problems in nano-optics and metamaterials
    • 用PINN求解材料PDE问题中的参数,求解逆问题,使用的最常规的PINN,主要是结合了材料相关背景.
  • Physics-Informed Neural Networks for Cardiac Activation Mapping
  • DeepXDE: A deep learning library for solving differential equations
    • 提出了基于PINN的一个求解各类PDE的库.
  • Deep learning-based method coupled with small sample learning for solving partial differential equation
    • 特意将损失项中的data loss提出来说这是小样本学习,相比于Rassi的PINN增加data loss项,并与其对比,复现了文章中的算例,增加了一项loss后在准确度上有所提高

2 网络结构选择

  • Prevention is Better than Cure: Handling Basis Collapse and Transparency in Dense Networks
    • 对于网络设计的思考,提出了Basis Collapse的概念,提出给损失函数增加一个构造的惩罚项,能够使用lower-weight net实现相同甚至更好的函数拟合效果.
  • Adaptive activation functions accelerate convergence in deep and physics-informed neural networks
VIP 物理信息神经网络(PINN) 什么是物理信息神经网络(PINN)? 宋家豪, 曹文博, and 张伟伟. "FD-PINN: 频域物理信息神经网络." 力学学报 55.5 (2023): 1195-1205. 物理信息神经网络(PINN)是一种将深度学习与物理建模相结合的方法,用于求解偏微分方程(PDE)和其他物理问题。PINN 的关键思想是将物理约束嵌入神经网络中,从而使网络能够学习物理系统的行为并满足物理方程。这种方法... 开通可读全文·4.6k 阅读·11 点赞·40 收藏 阅读全文

相关推荐

物理信息神经网络PINNs : Physics Informed Neural Networks 详解

本博客主要分为两部分: 1、PINN模型论文解读 2、PINN模型相关总结 一、PINN模型论文解读 1、摘要: 基于物理信息的神经网络(Physics-informed Neural Network, 简称PINN),是一类用于解决有监督学习任务的神经网络,同时尊重由一般非线性偏微分方程描述的任何给定的物理规律。 原理:它不仅能够像传统神经网络一样学习到训练数据样本的分布规律,而且能够学习到数学方程描述的物理定律。 优势:与纯数据驱动的神经网络学习相比,PINN在训练过程中施加了物理信息约束,因而能用更少

A book super 5万+

PINN内嵌物理知识神经网络投稿期刊总结

内嵌物理知识神经网络投稿期刊总结

山里娃的博客 6455

PINN深度学习求解微分方程系列三:求解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。

山里娃的博客 1万+

物理驱动深度学习(PINN)代码

物理驱动深度学习代码总结

山里娃的博客 7954

深度学习求解微分方程系列五:PINN求解Navier-Stokes方程正逆问题

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

山里娃的博客 9332

深度学习求解微分方程系列四:一种基于自适应激活函数的PINN求解方法—burger方程逆问题

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。

山里娃的博客 7284

深度学习求解微分方程系列二:PINN求解burger方程正问题

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。

山里娃的博客 3780

PINN内嵌物理知识神经网络在热传导问题中的期刊应用综述

本文综述了内嵌物理知识的神经网络在热传导问题中的期刊应用。PINN通过将物理方程作为约束融入神经网络训练,有效解决了传统方法在数据稀缺或计算复杂场景下的难题,实现了数据与物理知识的双轮驱动。文章系统梳理了该研究在热能工程、计算科学及交叉学科等多类期刊中的发表特点与投稿策略,为研究者提供实用参考。

weixin_29191761的博客 265

锂离子电池寿命预测新方法:物理信息神经网络(PINN)实战指南

本文深入探讨了物理信息神经网络(PINN)在锂离子电池健康状态(SOH)预测中的创新应用。PINN通过将电化学物理定律作为约束嵌入神经网络训练,有效提升了预测模型的数据效率、外推能力和可解释性。文章提供了从数据准备、模型构建到工程部署的完整实战指南,为电池寿命管理提供了新的解决方案。

qq_27496129的博客 1033

物理信息嵌入神经网络(PINN)入门基础【1】

*引言:**你可能听说过被称为物理先验嵌入的神经网络(PINN)的强大工具。PINN是一种将物理定律与神经网络架构相结合来解决复杂问题的深度学习模型。在这篇博客文章中,我们将讨论这些网络是什么,以及如何在你的研究中使用它们。并且准备了足够的背景知识,使得初学者对于PINN能够有更为清晰、完备的认知。我们还将提供一个使用PyTorch框架的示例来演示此类模型的训练过程可视化。

cnjs1994的博客 3852

Frida精准定位Shopee x-sap-ri动态签名生成函数

x-sap-ri是Shopee客户端生成的上下文感知型动态令牌,本质为基于设备标识、请求路径与毫秒级时间戳三元组的SHA256哈希值,经Base64编码后作为防重放与防批量伪造的核心校验字段。其生成逻辑深度混淆且跨Java/Native层,静态分析失效,而Frida凭借内存级函数调用拦截与JNI层穿透能力,成为唯一可行的技术路径。本文聚焦Frida在加固App中的实战适配——通过libcrypto.so API特征扫描反向定位被抹名的生成函数,实现对x-sap-ri输入参数(如16字节device_id加密

weixin_33978578的博客 614

2025海外代理IP深度横评:Bright Data、IPFoxy、SmartProxy等六大服务商实战对比

本文深度横评2025年六大海外代理IP服务商(Bright Data、IPFoxy、SmartProxy、IPIPGO、Kookeey及青果网络),基于实战测试数据,从IP池质量、速度稳定性、性价比等维度进行对比。针对跨境电商、数据爬虫、社交媒体管理等不同业务场景,提供精准的选购指南与避坑建议,帮助企业用户根据自身需求选择最合适的代理IP解决方案。

weixin_29196891的博客 440

数字逻辑设计大程——以撒的结合(Verilog语言)

前言 在大二学习数字逻辑设计课程(即计算机组成课程的前引课)时,期末大程题目我和同组的github成员lwaekfjlk 决定写一款基于Verilog语言的游戏。原型是我们两人都非常喜爱的一款游戏——The Binding of Isaac: Rebirth。在三天三夜的奋战后,基本完成了预期目标。由于亲自编写了其中种种,我们深知新手初期使用Verilog语言有多困难。而可悲的是,这又是之后计算机组成课程和体系结构课程所需的!因此,我们将top部分源码放在这里,供同袍们参考。若想引用还请注明出处。 代码部分

LuvLucifer的博客 1386

Keil C51开发必看:详解data/xdata/bdata内存分配陷阱与避坑指南

本文深入解析Keil C51开发中的data/xdata/bdata内存分配陷阱,提供针对51芯片的高效避坑指南。通过真实案例揭示Keil编译器的隐藏规则,分享内存优化策略和调试技巧,帮助开发者解决data溢出、xdata访问异常等典型问题,提升嵌入式开发效率。

v6b7n8m9q0的博客 1073

海康视觉平台VisionMaster通讯实战:三种触发方式深度解析

本文深度解析海康视觉平台VisionMaster的三种通讯触发方式:字符串触发、接收字符串事件触发和轮询D地址触发。通过实际案例和配置技巧,帮助工程师在工业场景中实现高效、稳定的设备通讯,提升视觉系统的集成效率和可靠性。

weixin_42665255的博客 290

【吃瓜教程】周志华西瓜书课后习题第一章答案

第一章 1.1表1.1中若只包含编号为1和4的两个样例,试给出相应的版本空间。 编号 色泽 根蒂 敲声 好瓜(标记) 1 青绿 蜷缩 浊响 是Y 4 乌黑 稍蜷 沉闷 否N 知识储备: 假设空间: 所有假设组成的空间 版本空间:与训练集一致的假设集合 从假设空间到版本空间算法大致如下: 1.删除与正例不一致的假设且删除与反例一致的假设 2.删除与正例不一致的假设 3.删除与反例一致的假设 具体选择哪种

MaxQuYY的博客 8374

TPAMI 2025 | 从缺失碎片到杰作:基于上下文自适应扩散的图像修复

图像修复是一项具有挑战性的任务,尤其是要确保生成的内容与图像的现有部分无缝融合。尽管最近的扩散模型展现出了潜力,但它们在保持已知区域和未知(缺失)区域之间的连贯性方面常常遇到困难。这个问题源于扩散过程中缺乏明确的空间和语义对齐,导致生成的内容无法与原始图像平滑融合。此外,扩散模型通常依赖全局学习分布,而非局部特征,这使得生成的图像部分与现有图像部分之间存在不一致。在这项工作中,作者提出了ConFill,这是一个新颖的框架,引入了上下文自适应差异(CAD)模型,以确保在整个扩散过程中,已知区域和未知区域的中间

小白学视觉 241

基于STM32LXXX的模数转换芯片ADC(TLA2528IRTER)驱动C程序设计

define TLA2528_ADDR 0x12 << 1 // 用于HAL传输的8位地址(写入为0x24,读取为0x25)// 100kHz (示例值,需根据实际时钟计算)#define TLA2528_REG_PIN_CFG 0x00 // 引脚配置寄存器。#define TLA2528_REG_CHN_SEL 0x01 // 通道选择寄存器。

myron6688的博客 232

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

上一篇: 数据的读取
下一篇: Modified physics-informed neural network method based on the conservation law constraint
pinn山里娃
博客等级 码龄7年 1503粉丝 121原创
评论 60
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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

pinn山里娃

原创不易请多多支持

¥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
⌂ 换网址