数值解物理信息神经网络方法 PyTorch 偏微分方程有限元法

使用PyTorch解决一维平流方程的物理信息神经网络方法

Array 13 (2022) 100110Shashank Reddy Vadyala a,*, Sai ...0使用PyTorch解决一维平流方程的物理信息神经网络方法0a 计算分析与建模系，路易斯安那科技大学，美国路斯顿 b 商业与管理系，印度泰拉南加邦梅达克纳

neurodiffeq:轻巧灵活的库，可使用基于PyTorch的神经网络求解微分方程。时空ODE和PDE均受支持

标签： machine-learning library deep-learning time-series pypi pytorch artificial-intelligence scientific-computing neural-networks differential-equations pde mathematical-modelling equations odes pde-solver pdes physics-informed-neural-networks Python

作为通用函数逼近器，人工神经网络已经显示出在某些初始/边界条件下具有求解常微分方程（ODE）和偏微分方程（PDE）的潜力。 neurodiffeq的目的是实现这些使用ANN求解微分方程的现有技术，使软件具有足够的灵活性以...

基于物理信息神经网络（PINNs）的一维平流方程数值解的研究

标签：物理信息神经网络数值解 PyTorch解决平流方程偏微分方程

0使用PyTorch解决一维平流方程的物理信息神经网络方法0Shashank Reddy Vadyala a，*，Sai Nethra Betgeri a，Naga Parameshwari Betgeri，博士 b0a Computational Analysis and Modeling系，路易斯安那...

使用深度学习和物理约束求解偏微分方程

标签：深度学习神经网络 pytorch

偏微分方程的求解是一项非常重要和困难的任务，许多偏微分方程没有解析解，需要通过数值方法的手段寻找数值解。结合深度学习的偏微分方程求解方法有着巨大的应用潜力。PINN方法以其内嵌物理公式的创新正成为研究的...

稀疏约束神经网络在偏微分方程模型发现中的应用

标签：经验数据模型候选特征库稀疏回归技术神经网络约束模型发现准确性

稀疏约束神经网络在偏微分方程模型发现中的应用Gert-Jan Both，1 Gijs Vermarieün，2Remy Kusters11巴黎大学，巴黎大学U1284，研究和跨学科中心（CRI），F-75006 Paris，France2荷兰莱顿大学莱顿天文台gert-jan....

深度学习笔记其二：线性神经网络和PYTORCH

标签：人工智能

在介绍深度神经网络之前，我们需要了解神经网络训练的基础知识。本章我们将介绍神经网络的整个训练过程，包括：定义简单的神经网络架构、数据处理、指定损失函数和如何训练模型。为了更容易学习，我们将从经典算法...

内嵌物理知识神经网络（PINN）是个坑吗？

标签：神经网络机器学习人工智能

©PaperWeekly 原创 ·作者 | zwqwo单位 | 某知名券商计算机行业研究员研究方向 | 关注国产CAD、CAE等工业软件发展从无网格方法到内嵌物理知识的神经网络内嵌物理知...

【PyTorch】深度学习基础：神经网络

标签：神经网络人工智能机器学习

针对PyTorch入门，对于神经网络必须的一些基础知识（激活函数、损失函数、前向计算与反向传播）进行了梳理

混合深度学习和微分不变量理论应用于神经网络中的等变结构设计方法的研究

标签：物理学等变层神经网络偏微分方程对称性

thalesgroup.com摘要对称性在物理问题中是普遍存在的，当使用神经网络来近似它们的解时，应该考虑到这些对称性。通过使用等变层在神经网络中嵌入从鲁棒性的角度来看，构建等变结构也很有吸引力，因为使用正确的设计...

PDE的数值解法（有限元，有限差分法）综合介绍

标签：线性代数算法

以下内容均可参考本人知乎文章添加链接描述和添加链接描述有限差分法finite difference(FD)是求解微分方程的最为容易理解的方法，下面将针对几类常见的PDE来做一些具体的介绍。由于本人知识有限，关于误差分析和收敛...

用于求解二维磁场的物理约束的神经网络（论文学习笔记）

标签：神经网络学习笔记

磁场强度和磁矢量势通过训练神经网络求解，神经网络将偏微分方程和边界条件编码为残差。消除了对 PINN 训练产生负面影响的介质构成的参数空间导数的计算。为了进一步提高 PINN 的性能，还提出了一种网格辅助非均匀...

偏微分方程凝聚CNN：基于PDE的高效深度网络架构

610- ×−−××----用偏微分方程凝聚CNNAnil Kag，Venkatesh Saligrama波士顿大学{anilkag，srv}@bu.edu摘要卷积神经网络（CNN）依赖于架构的深度来获得复杂的特征。它导致低资源IoT设备的计算昂贵的模型。卷积算子...

详解自动微分（Automatic Differentiation）

标签：神经网络算法 python

©作者 | JermyLu 编辑paperweekly学校 | 中国科学院大学研究方向 | 自然语言处理与芯片验证引言众所周知，Tensorflow、Pytorch 这样的深度学习框架...

深度学习知识点全面总结

标签：深度学习计算机视觉 cnn

本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经...

西瓜书重温(五): 神经网络手推版

标签：神经网络人工智能深度学习

虽然这里面的知识比较偏理论，可能给我们的感觉是不太实用，并且写的有些省略，晦涩难懂，对初学者也不是很友好，但里面有很多重要的思想是我们解决实际问题中会考虑到的，而我之所以想重温一遍，完全是因为兴趣...

硬核NeruIPS 2018最佳论文，一个神经了的常微分方程

机器之心原创，作者：蒋思源。...他们提出了一种名为神经常微分方程的模型，这是新一类的深度神经网络。神经常微分方程不拘于对已有架构的修修补补，它完全从另外一个角度考虑如何以连续的方式借助...

基于资源约束的深度神经网络的压缩与加速方法

标签：深度神经网络资源约束紧凑CNN 离散优化 FLOP预算

1899基于资源约束的深度神经网络高尚乾1，3，黄飞虎1，裴健2，黄恒1，31美国宾夕法尼亚州匹兹堡大学电气与计算机工程系2加拿大卑诗省西蒙弗雷泽大学计算科学学院3JD Finance America Corporation，Mountain View，CA...

DeepXDE: A Deep Learning Library for Solving Differential Equations

标签：深度学习机器学习论文阅读

DeepXDE论文阅读

【转载】神经常微分方程--ODEnet

本文主要介绍神经常微分方程背后的细想与直观理解，很多延伸的概念并没有详细解释，例如大大降低计算复杂度的连续型流模型和官方 PyTorch 代码实现等。这一篇文章重点对比了神经常微分方程（ODEnet）与残差网络，...

NNDL 实验五前馈神经网络（3）鸢尾花分类

标签： python 机器学习 pytorch

这次我还是写的很细，有好多东西查了好多资料，有的我给出链接，真的学到很多，并且发现了好多不会的，感觉这次作业是一个研究的过程。这次作业是写了好长时间，主要是画图的问题，研究了两天，也没太明白，写了好...

【人工智能学习之全连接神经网络篇】

标签：人工智能学习神经网络

机器学习 & 深度学习介绍神经元与感知机全连接神经网络构建全连接神经网络的流程分析

深入理解深度神经网络背后的数学（Mysteries of Neural Networks Part I）

标签：深度学习神经网络人工智能

当我们需要创建一个神经网络时，即使它有比较复杂的结构，我们也可以通过很少的几行代码将其构建出来。这节省了我们很多找bug的时间并简化了我们的工作。然而只有我们通过学习神经网络背后的知识才能帮助我们对一些...

【Pytorch】Pytorch学习笔记02 - 单变量时间序列 LSTM

标签： 1024程序员节 Pytorch LSTM

这篇文章主要介绍如何使用PyTorch的API构建一个单变量时间序列 LSTM。文章首先介绍了LSTM，解释了它们在时间序列数据中的简单性和有效性。然后，文章解释了如何使用前向方法初始化LSTM，包括定义输入和输出形状，...

懂一点物理的人工智能

作者丨庞龙刚单位丨UC Berkeley博士后研究方向丨高能核物理、人工智能前段时间写了篇文章推介机器人动力学中的深度拉格朗日网络，得到出奇多的点赞。后来想起来，这应该是我第三次见到类似...