Avanzando la generalización en PINNs a través de representaciones de espacio latente | JoVE Visualize

Área de la Ciencia:

Ciencias computacionales
Matemáticas aplicadas
Aprendizaje automático

Sus antecedentes:

Las redes neuronales informadas por la física (PINNs) son efectivas para modelar sistemas dinámicos gobernados por ecuaciones diferenciales parciales (PDEs).
Sin embargo, los PINN existentes exhiben capacidades de generalización limitadas en diferentes escenarios, como condiciones iniciales variables o coeficientes de PDE.

Objetivo del estudio:

Introducir un nuevo solucionador neuronal de PDE informado por la física, el aprendiz de representación dinámica informado por la física (PiDo), diseñado para una mayor generalización en diversas configuraciones de PDE.
Abordar los desafíos en la integración de modelos de dinámica latente dentro de marcos informados por la física, mejorando la optimización y la estabilidad.

Principales métodos:

PiDo proyecta las soluciones de PDE en un espacio latente utilizando la decodificación automática para explotar estructuras de sistemas dinámicos compartidos.
Aprende la dinámica de representación latente condicionada por los coeficientes de PDE.
Se emplean nuevas técnicas de regularización para diagnosticar y mitigar las dificultades de optimización dentro del espacio latente.

Principales resultados:

PiDo demuestra una generalización efectiva a través de diferentes condiciones iniciales, coeficientes de PDE y horizontes de tiempo de entrenamiento.
El enfoque muestra un mejor rendimiento de extrapolación temporal y una mejor estabilidad de entrenamiento.
Validado en ecuaciones combinadas en 1D y ecuaciones de Navier-Stokes en 2D.

Conclusiones:

PiDo ofrece un marco robusto para la resolución de PDE informada por la física con capacidades de generalización superiores.
Las representaciones aprendidas son transferibles a tareas posteriores como la integración a largo plazo y los problemas inversos.
La estrategia de regularización desarrollada aborda efectivamente los desafíos de optimización en el aprendizaje informado por la física del espacio latente.