摘要
摘要
[1] , 多边形和多面体网格上弹性动力学方程的高阶间断Galerkin方法 , 计算。 方法应用。 机械。 工程师。 342 ( 2018 ) 414 – 437 . 谷歌学者 [2] , 用于逼近非线性色散偏微分方程的物理信息神经网络(PINNs) , J.计算。 数学。 39 ( 6 ) ( 2021 ) 816 – 847 . 谷歌学者 [3] , 高维全非线性偏微分方程和二阶倒向随机微分方程的机器学习逼近算法 , 非线性科学杂志。 29 ( 4 ) ( 2019 ) 1563 – 1619 . 谷歌学者 [4] , 泛化误差分析:深度人工神经网络经验风险最小化克服Black-Scholes偏微分方程数值逼近中的维数灾难 , SIAM J.数学。 数据科学。 2 ( 三 ) ( 2020 ) 631 – 657 . 谷歌学者 [5] , 流体动力学深度学习方法的误差估计 , 数字。 数学。 151 ( 三 ) ( 2022 ) 753 – 777 . 谷歌学者 [6] , 深度最小二乘法:求解椭圆偏微分方程的无监督学习数值方法 , J.计算。 物理学。 420 ( 2020 ). 谷歌学者 [7] , 具有陡峭梯度的椭圆偏微分方程数值解的极值学习机配置 , 计算。 方法应用。 机械。 工程师。 387 ( 2021 ). 谷歌学者 [8] , 深度学习架构–数学方法 , 数据科学中的Springer系列 , 施普林格 , 查姆 , 2020 . 谷歌学者 [9] , 通过物理信息神经网络进行科学机器学习:我们在哪里,下一步是什么 , 科学杂志。 计算。 92 ( 三 ) ( 2022 ) 88 . 谷歌学者 [10] , 深度神经网络的鲁棒训练和初始化:自适应基观点 , 程序。 机器。 学习。 物件。 107 ( 2020 ) 512 – 536 . 谷歌学者 [11] , 数值积分方法 , 多佛出版公司。 , 2007 . 谷歌学者 [12] , 近似Navier–Stokes方程的物理信息神经网络的误差估计 , IMA J.数字。 分析。 ( 2023 ), 10.1093/imanum/drac085 . 谷歌学者 交叉引用 [13] , 用tanh神经网络逼近函数 , 神经网络。 143 ( 2021 ) 732 – 750 . 谷歌学者 [14] , 逼近Kolmogorov偏微分方程的物理信息神经网络(PINNs)的误差分析 , 高级计算。 数学。 48 ( 6 ) ( 2022 ) 79 . 谷歌学者 [15] , 用径向基函数数值求解非线性Klein-Gordon方程 , J.计算。 应用。 数学。 230 ( 2009 ) 400 – 410 . 谷歌学者 [16] , 求解线性和非线性偏微分方程的局部极值学习机和区域分解 , 计算。 方法应用。 机械。 工程师。 387 ( 2021 ) 也 arXiv:2012.02895年 . 谷歌学者 [17] , 一种改进的批内禀塑性方法预训练极值学习机的随机系数 , J.计算。 物理学。 445 ( 2021 ). 谷歌学者 [18] , 用深度神经网络表示周期函数和精确执行周期边界条件的方法 , J.计算。 物理学。 435 ( 2021 ). 谷歌学者 [19] , 用随机神经网络计算参数PDE反问题的一种方法 , J.计算。 物理学。 489 ( 2023 ) 也 arXiv公司:2210.04338 . 谷歌学者 [20] , 偏微分方程的人工神经网络变量投影数值逼近 , 计算。 方法应用。 机械。 工程师。 398 ( 2022 ) 也 arXiv:2201.09989号 . 谷歌学者 [21] , 关于计算极端学习机的超参数:计算偏微分方程的算法和应用,以及与经典有限元和高阶有限元的比较 , J.计算。 物理学。 463 ( 2022 ) 也 arXiv:2110.14121 . 谷歌学者 [22] , deep Ritz方法:一种基于深度学习的变分问题数值算法 , 公社。 数学。 统计。 6 ( 2018 ) 1 – 12 . 谷歌学者 [23] , 深度神经网络逼近理论 , IEEE传输。 Inf.理论 67 ( 5 ) ( 2021 ) 2581 – 2623 . 谷歌学者 [24] , 具有极值学习机的非线性偏微分方程的数值解及分岔分析 , 科学杂志。 计算。 89 ( 2021 ) 44 . 谷歌学者 [25] , MgNet:多重网格和卷积神经网络的统一框架 , 科学。 中国数学。 62 ( 2019 ) 1331 – 1354 . 谷歌学者 [26] : 物理信息神经网络逼近原方程的高阶误差估计 . arXiv:2209.11929 . 谷歌学者 [27] , 扩展物理信息神经网络(XPINN)何时能提高泛化能力? , SIAM科学杂志。 计算。 44 ( 5 ) ( 2022 ) A3158型 – A3182型 . 谷歌学者 数字图书馆 [28] : 梯度流的能量变分神经网络离散 . arXiv公司:2206.07303 . 谷歌学者 [29] , 线性对称双曲系统的经典弹性动力学 , J.弹性。 8 ( 1 ) ( 1978 ) 97 – 110 . 谷歌学者 [30] , 扩展物理信息神经网络(XPINNs):基于广义时空域分解的非线性偏微分方程深度学习框架 , 公社。 计算。 物理学。 28 ( 2020 ) 2002 – 2041 . 谷歌学者 [31] , 离散域上守恒定律的守恒物理信息神经网络:在正问题和反问题中的应用 , 计算。 方法应用。 机械。 工程师。 365 ( 2020 ). 谷歌学者 [32] , 基于物理的机器学习 , 自然科学版。 三 ( 2021 ) 422 – 440 . 谷歌学者 [33] : 一种随机优化方法 . arXiv预印本 arXiv:1412.6980 . 谷歌学者 [34] , 描述物理信息神经网络中可能的故障模式 , 高级神经信息处理。 系统。 34 ( 2021 ) 26548 – 26560 . 谷歌学者 [35] , 不同传播速度非线性波动方程组经典解的整体存在性 , 日本。 数学杂志。 27 ( 1 ) ( 2001 ) 113 – 202 . 谷歌学者 [36] , 深度学习 , 自然 521 ( 2015 ) 436 – 444 . 谷歌学者 交叉引用 [37] , DeepXDE:解微分方程的深度学习库 , SIAM版本。 63 ( 1 ) ( 2021 ) 208 – 228 . 谷歌学者 数字图书馆 [38] , 模拟辐射传输的物理信息神经网络 , J.数量。 光谱学。 辐射。 Transf公司。 270 ( 2021 ). 谷歌学者 [39] , 物理信息神经网络逼近一类偏微分方程反问题的泛化误差估计 , IMA J.数字。 分析。 42 ( 2 ) ( 2022 ) 981 – 1022 . 谷歌学者 [40] , 物理知情神经网络逼近偏微分方程的泛化误差估计 , IMA J.数字。 分析。 43 ( 1 ) ( 2023 ) 1 – 43 . 谷歌学者 [41] , 通过低偏差序列训练提高深度学习算法的准确性 , SIAM J.数字。 分析。 59 ( 三 ) ( 2021 ) 1811 – 1834 . 谷歌学者 [42] , 散乱噪声数据函数逼近的推广界 , 高级计算。 数学。 10 ( 1 ) ( 1999 ) 51 – 80 . 谷歌学者 [43] , 数值优化 , 第二版。 , 施普林格 , 纽约 , 2006 . 谷歌学者 [44] : 物理信息神经网络因果扫描策略及其时间分解的统一可扩展框架 . arXiv:2302.14227 . 谷歌学者 [45] , 元学习PINN损失函数 , J.计算。 物理学。 458 ( 2022 ). 谷歌学者 数字图书馆 [46] , 基于物理的神经网络:一种用于求解非线性偏微分方程正反问题的深度学习框架 , J.计算。 物理学。 378 ( 2019 ) 686 – 707 . 谷歌学者 [47] , 非线性发展方程小解的整体存在性 , J.差异。 埃克。 46 ( 三 ) ( 1982 ) 409 – 425 . 谷歌学者 [48] , 正规型与二次非线性Klein-Gordon方程 , 公社。 纯应用程序。 数学。 38 ( 5 ) ( 1985 ) 685 – 696 . 谷歌学者 [49] , 线性二阶椭圆和抛物型偏微分方程物理信息神经网络的收敛性 , 公社。 计算。 物理学。 28 ( 5 ) ( 2020 ) 2042 – 2074 . 谷歌学者 [50] : 线性偏微分方程残差最小化的神经网络误差估计 . arXiv:2010年8月19日 . 谷歌学者 [51] : 神经网络贪婪训练算法及其在偏微分方程中的应用 . arXiv:2107.04466 . 谷歌学者 [52] , DGM:求解偏微分方程的深度学习算法 , J.计算。 物理学。 375 ( 2018 ) 1339 – 1364 . 谷歌学者 [53] , 基于物理信息的深层神经网络用于地下水流问题中参数和本构关系的学习 , 水资源。 物件。 56 ( 2020 ). 谷歌学者 [54] , 力学和物理学中的无限维动力系统 , 第二版。 , Springer-Verlag公司 , 纽约 , 1997 . 谷歌学者 [55] , VAE-KRnet及其在变分贝叶斯中的应用 , 公社。 计算。 物理学。 31 ( 2022 ) 1049 – 1082 . 谷歌学者 [56] , 非线性Klein-Gordon-Schrödinger方程的经典整体解 , 数学。 方法应用。 科学。 20 ( 7 ) ( 1997 ) 599 – 616 . 谷歌学者 [57] , PINN训练失败的时间和原因:从神经切线核的角度 , J.计算。 物理学。 449 ( 2022 ). 谷歌学者 数字图书馆 [58] , 非均质多孔介质中多相流模拟的高效深度学习技术 , J.计算。 物理学。 401 ( 2020 ). 谷歌学者 [59] , 功能分析 , 第123卷 , 第六版。 , Springer-Verlag公司 , 柏林-纽约 , 1980 . 谷歌学者 [60] , PINNs和GaLS:用于椭圆问题的浅层物理信息神经网络的先验误差估计 , IFAC在线论文 55 ( 20 ) ( 2022 ) 61 – 66 . 谷歌学者
建议
基于物理信息的神经网络求解地下水流动方程 摘要 近年来,用于求解偏微分方程(PDE)的科学机器学习(SciML)方法得到了广泛的应用。 在这种范式中,物理信息神经网络(PINNs)是一种新型的深度学习。。。 集锦 我们的建议是使用SciML来求解地下水流动方程。 我们建议。。。
具有高阶空间导数的一维线性偏微分方程具有最优$$L^2$$L2精度的间断Galerkin方法 本文提出并分析了求解具有高阶空间导数的偏微分方程(PDE)的间断Galerkin(DG)方法,包括热方程、三阶波动方程、四阶方程和。。。