在物理信息的神经网络和变化物理信息的神经网络中强制执行迪里克莱特边界条件
S Berrone1, C Canuto1, M Pintore1
1Dipartimento di Scienze Matematiche, Politecnico di Torino, Corso Duca degli Abruzzi 24, 10129 Torino, Italy.
我们介绍了在物理信息神经网络 (PINNs) 和变量PINNs中强制执行迪里克莱特边界条件的四种方法. 与传统的惩罚方法相比,修改神经网络输出以匹配边界值提供了更有效和更准确的解决方案.
科学领域:
- 计算数学 计算数学 计算数学
- 数字分析 数字分析
- 机器学习 机器学习
背景情况:
- 物理信息神经网络 (PINNs) 和变量物理信息神经网络 (VPINNs) 是解决微分方程的强大工具.
- 强制执行迪里克莱特边界条件对于PINN/VPINN的准确性和稳定性至关重要.
- 当前的方法通常依赖于惩罚条款,需要广泛的超参数调整.
研究的目的:
- 为了比较四种不同的方法,在PINNs和VPINNs中强加迪里克莱特边界条件.
- 为了确定处理这些边界条件的最有效和最准确的方法.
- 为了评估精确执法的性能与像尼采的方法这样的变化方法相比.
主要方法:
- 在PINN和VPINN框架内研究了强制执行迪里克莱特边界条件的四种技术.
- 实施的方法包括惩罚条款和直接修改神经网络的输出.
- 使用近似距离函数来准确执行边界条件.
主要成果:
- 直接修改神经网络输出以满足迪里克莱特边界条件可以显著提高解决器的效率和准确性.
- 采用近似距离函数用于准确执行的方法产生了最佳性能.
- 使用尼采的方法变化强加迪里克莱特条件,导致解决器性能低于最佳.
结论:
- 准确执行迪里克莱特边界条件,特别是通过近似距离函数,优于对PINN和VPINN的惩罚或变量方法.
- 这些发现表明,在基于物理的机器学习中实施边界条件的方法更简单,更有效.
- 未来的研究可以利用这些发现来开发更强大的和计算效率更高的PINN/VPINN解决方案.
更多相关视频
11:18Closed-loop Neuro-robotic Experiments to Test Computational Properties of Neuronal Networks
Published on: March 2, 2015
10:44Inherent Dynamics Visualizer, an Interactive Application for Evaluating and Visualizing Outputs from a Gene Regulatory Network Inference Pipeline
Published on: December 7, 2021
相关概念视频
Boundary Conditions for Current Density
Electrostatic Boundary Conditions
The surface integral of an electric field is given by Gauss's law in integral form and is related to...
Electrostatic Boundary Conditions in Dielectrics
Consider a case where both the mediums across a boundary are two different dielectric materials. Recall that the electric field and electric displacement are proportional and related through the material's...
Magnetostatic Boundary Conditions
Navier–Stokes Equations
Differential Form of Maxwell's Equations
