基于物理信息的神经网络:最新进展与展望

摘要：

基于物理信息的神经网络(Physics-informed Neural Networks,PINN),是一类用于解决有监督学习任务的神经网络,它不仅尽力遵循训练数据样本的分布规律,而且遵守由偏微分方程描述的物理定律.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,因此能用更少的数据样本学习得到更具泛化能力的模型.近年来,PINN已逐渐成为机器学习和计算数学交叉学科的研究热点,并在理论和应用方面都获得了相对深入的研究,取得了可观的进展.但PINN独特的网络结构在实际应用中也存在训练缓慢甚至不收敛、精度低等问题.文中在总结当前PINN研究的基础上,对其网络/体系设计及其在流体力学等多个领域中的应用进行了探究,并展望了进一步的研究方向.

关键词：人工智能、机器学习、神经网络、物理模型、偏微分方程

所属期刊栏目：49

分类号：TP183(自动化基础理论)

资助基金：南京航空航天大学新教师工作启动基金;中央高校基本科研业务费

在线出版日期：2022-04-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：254-262