拉维·帕特尔（Ravi G.Patel）。;印度马尼卡姆;纳撒尼尔·A·特拉斯克。;米切尔·伍德（Mitchell A.Wood）。;李明奎;伊格纳西奥·托马斯;埃里克·C·西尔。 双曲型系统的热力学一致性物理信息神经网络。 （英文） Zbl 07524762号 J.计算。物理学。 449，文章ID 110754，24 p.（2022）. 概要：基于物理的神经网络架构已经成为开发灵活的PDE解算器的强大工具，可以轻松地吸收数据。然而，当应用于冲击物理问题时，这些方法面临着与基于搭配的PDE离散化相关的挑战。通过采用最小二乘时空控制体方案，我们得到了一个更自然地处理以下问题的方案：正则性要求、边界条件的施加、熵兼容性和守恒，大大减少了过程中所需的超参数。此外，与经典有限体积方法的联系允许对熵解和总变差递减特性应用归纳偏差。对于激波流体力学中的反问题，我们提出了归纳偏差，以发现保证双曲性的热力学一致状态方程。因此，该框架提供了一种从稀薄气体和金属的分子模拟中发现连续激波模型的方法。学习过程的输出提供了一个数据驱动的状态方程，可以将其并入传统的激波流体动力学代码中。 引用于21文件 MSC公司： 35磅 双曲方程和双曲系统 6500万 偏微分方程、初值和含时初边值问题的数值方法 68泰克 人工智能 关键词：基于物理的神经网络;反问题;机器学习;状态方程;守恒定律;激波流体力学 软件：DeepONet（深度网络）;亚当;PyTorch公司;hp-车辆识别号;XPIN编号;TensorFlow公司;奥维托 PDF格式BibTeX公司 XML格式引用 \textit{R.G.Patel}等人，《计算杂志》。物理学。449，文章ID 110754，24 p.（2022；Zbl 07524762） 全文： 内政部 arXiv公司 参考文献： [1] E.渭南。；Yu，B.，The deep Ritz method：一种基于深度学习的数值算法，用于求解变分问题，Commun。数学。统计，6，1，1-12（2018）·Zbl 1392.35306号 [2] He，J。；李，L。；徐，J。；Zheng，C.，ReLU深度神经网络和线性有限元（2018），arXiv预印本 [3] Daubechies，I。；德沃尔，R。；福卡特，S。；哈宁，B。；Petrova，G.，非线性近似和（深层）ReLU网络（2019），arXiv预印本·Zbl 1501.41003号 [4] Yarotsky，D.，深度ReLU网络近似的误差界，神经网络。，94, 103-114 (2017) ·Zbl 1429.68260号 [5] Yarotsky，D.，用非常深的relu网络对连续函数的最佳逼近（2018），arXiv预印本 [6] Opschoor，J.A。；彼得森，P。；Schwab，C.，Deep ReLU网络和高阶有限元方法（2019），SAM，ETH Zürich·Zbl 1452.65354号 [7] 巴赫，F.，《用凸神经网络打破维度诅咒》，J.马赫。学习。第18号、第1号、第629-681号决议（2017年）·Zbl 1433.68390号 [8] Bengio，S。；Bengio，Y.，《利用神经网络解决联合分布中的维数灾难》，IEEE Trans。神经网络。，11, 3, 550-557 (2000) [9] 韩，J。；Jentzen，A。；Weinan，E.，使用深度学习求解高维偏微分方程，Proc。国家。阿卡德。科学。，115, 34, 8505-8510 (2018) ·Zbl 1416.35137号 [10] 王，S。；Teng，Y。；Perdikaris，P.，理解和缓解物理知情神经网络中的梯度病理学（2020），arXiv预印本 [11] 贝克，C。；Jentzen，A。；Kuckuck，B.，深度神经网络训练的全面误差分析（2019），arXiv预印本 [12] Fokina，D。；Oseledets，I.，《生长的轴突：应用于函数逼近的神经网络贪婪学习》（2019年），arXiv预印本 [13] 阿德科克，B。；Dexter，N.，深度神经网络函数逼近理论与实践之间的差距（2020年），arXiv预印本 [14] 拉加里斯，I.E。；利卡斯，A。；Fotiadis，D.I.，求解常微分方程和偏微分方程的人工神经网络，IEEE Trans。神经网络。，9, 5, 987-1000 (1998) [15] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.E.，《基于物理的神经网络：用于解决涉及非线性偏微分方程的正问题和逆问题的深度学习框架》，J.Compute。物理。，378, 686-707 (2019) ·Zbl 1415.68175号 [16] Raissi，M.，《深层隐藏物理模型：非线性偏微分方程的深层学习》，J.Mach。学习。第19、1932-955号决议（2018年）·Zbl 1439.68021号 [17] Sun，L。；高，H。；潘，S。；Wang，J.-X.，基于物理约束的无模拟数据深度学习的流体流动替代建模，计算。应用方法。机械。工程，361，第112732条pp.（2020）·Zbl 1442.76096号 [18] 张，D。；卢，L。；郭，L。；Karniadakis，G.E.，《量化物理信息神经网络中用于解决正向和反向随机问题的总不确定性》，J.Compute。物理。，397，第108850条pp.（2019）·Zbl 1454.65008号 [19] X孟。；Karniadakis，G.E.，《从多保真数据中学习的复合神经网络：应用于函数逼近和逆偏微分方程问题》，J.Compute。物理。，401，第109020条pp.（2020）·Zbl 1454.76006号 [20] 毛泽东。；雅格塔普，A.D。；Karniadakis，G.E.，用于高速流动的物理信息神经网络，Comput。应用方法。机械。工程，360，第112789条pp.（2020）·Zbl 1442.76092号 [21] 张，D。；郭，L。；Karniadakis，G.E.，《模态空间中的学习：使用物理信息神经网络求解依赖时间的随机偏微分方程》，SIAM J.Sci。计算。，42、2、A639-A665（2020）·Zbl 1440.60067号 [22] M.阿巴迪。；阿加瓦尔，A。；巴勒姆，P。；Brevdo，E。；陈，Z。；Citro，C。；Corrado，G.S。；A.戴维斯。；迪安·J。；德文，M。；Ghemawat，S。；古德费罗，I。；竖琴，A。；欧文，G。；Isard，M。；贾毅。；Jozefowicz，R。；凯撒，L。；库德勒，M。；Levenberg，J.（莱文伯格，J.）。；马内，D。；蒙加，R。；摩尔，S。；Murray博士。；奥拉，C。；舒斯特，M。；Shlens，J。；斯坦纳，B。；Sutskever，I。；Talwar，K。；塔克，P。；Vanhoucke，V。；瓦苏德万，V。；维加斯，F。；葡萄酒，O。；监狱长，P。；Wattenberg，M。；维克，M。；Yu，Y。；Zheng，X.，TensorFlow:异构系统上的大规模机器学习（2015），软件可从 [23] Paszke，A。；毛重，S。；马萨，F。；Lerer，A。；布拉德伯里，J。；Chanan，G。；T·基林。；林，Z。；Gimelshein，N。；安提瓜，L。；Desmaison，A。；Kopf，A。；杨，E。；德维托，Z。；Raison，M。；Tejani，A。；Chilamkurthy，S。；斯坦纳，B。；方，L。；Bai，J。；Chintala，S.，PyTorch:一个命令式、高性能的深度学习库，（Wallach，H.，Larochelle，H.；Beygelzimer，A.；d’Alché-Buc，F.；Fox，E.；Garnett，R.，《神经信息处理系统的进展》，第32卷（2019年），Curran Associates，Inc.），8024-8035 [24] 罗宾逊，A。；R.贝里。；Carpenter，J。；德彪舍尔，B。；Drake，R.R。；马特森，A。；Rider，W.J.，冲击流体力学中不确定状态方程信息表示和传播的基本问题，计算机。流体，83，187-193（2013）·Zbl 1290.76058号 [25] Carpenter，J.H。；罗宾逊。；德彪舍尔，B。；Wills，A.E.，《带有不确定性信息的状态方程表的自动生成》（2015），桑迪亚国家实验室（SNL-NM）：桑迪亚国立实验室（SNL-NM），新墨西哥州阿尔伯克基（美国），桑迪亚……，技术代表。 [26] 雅格塔普，A.D。；Kharazmi，E。；Karniadakis，G.E.，守恒定律离散域上的守恒物理信息神经网络：正问题和逆问题的应用，计算。应用方法。机械。工程，365，第113028条pp.（2020）·Zbl 1442.92002号 [27] Lax，P.D.，双曲守恒律系统和激波数学理论（1973），SIAM·Zbl 0268.35062号 [28] 梅尼科夫，R。；Plohr，B.J.，《真实材料流体流动的黎曼问题》，修订版。物理。，61, 1, 75-130 (1989) ·Zbl 1129.35439号 [29] 吉蒙德，J.-L。；波波夫，B.，欧拉方程的粘性正则化和熵原理，SIAM J.Appl。数学。，74, 2, 284-305 (2014) ·Zbl 1446.76147号 [30] 熊，S。；何，X。；Tong，Y。；刘，R。；Zhu，B.，Roenets:从连续数据预测双曲线系统的不连续性（2020年），arXiv预印本 [31] 托卡列娃，S。；沙什科夫，M.J。；Skurikhin，A.N.，《解决流体动力学中黎曼问题的机器学习方法》（2019年），洛斯阿拉莫斯国家实验室（LANL）：洛斯阿拉莫斯国家实验（LALL）洛斯阿拉莫斯，新墨西哥州（美国），技术代表。 [32] Magiera，J。；雷·D。；赫塞文，J.S。；Rohde，C.，Riemann问题的约束感知神经网络，J.Compute。物理。，409，第109345条pp.（2020）·Zbl 1435.76046号 [33] Kharazmi，E。；张，Z。；Karniadakis，G.E.，hp-VPINNs:带区域分解的变分物理信息神经网络（2020），arXiv预印本·兹比尔1506.68105 [34] 雅格塔普，A.D。；Karniadakis，G.E.，《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》，Commun。计算。物理。，28, 2002-2041 (2020) ·Zbl 07419158号 [35] Dafermos，C.M.，《连续介质物理学中的双曲守恒定律》，Grundlehren der Mathematischen Wissenschaften，第325卷（2000），Springer-Verlag:Springer-Verlag Berlin·Zbl 0940.35002号 [36] Bianchini，S。；Bressan，A.，非线性双曲方程组的消失粘性解，《数学年鉴》。(2), 161, 1, 223-342 (2005) ·Zbl 1082.35095号 [37] 戈德尔斯基，E。；Raviart，P.-A.，双曲守恒律系统的数值逼近，应用数学科学，第118卷（1996），Springer-Verlag:Springer-Verlag纽约·Zbl 1063.65080号 [38] Godlewski，E。；Raviart，P.-A.，双曲守恒律系统的数值逼近，第118卷（1996），Springer-Verlag·Zbl 0860.65075号 [39] M.阿巴迪。；巴勒姆，P。；陈，J。；陈，Z。；A.戴维斯。；迪安·J。；德文，M。；Ghemawat，S。；欧文，G。；Isard，M.，Tensorflow:大规模机器学习系统，（第十二届{USENIX}操作系统设计与实现研讨会（{OSDI}16）（2016）），265-283 [40] Moritz，H.，《最小二乘配置》，《地球物理学评论》。，16, 3, 421-430 (1978) [41] Rummel，R。；施瓦兹，K.-P。；Gerstl，M.，最小二乘配置与正则化，Bull。哥罗德。，53, 4, 343-361 (1979) [42] Ling，L。；Kansa，E.J.，径向基函数配置方法的最小二乘预处理，高级计算。数学。，23, 1-2, 31-54 (2005) ·Zbl 1067.65136号 [43] 胡，H。；陈，J。；胡伟，边值问题的加权径向基配点法，国际数学家杂志。方法工程，69，13，2736-2757（2007）·Zbl 1194.74525号 [44] 张，X。；刘，X.-H。；宋，K.Z。；吕明伟，最小二乘配点无网格法，国际数学家杂志。方法工程，51，9，1089-1100（2001）·Zbl 1056.74064号 [45] Cheng，H。；Sandu，A.，配置最小二乘多项式混沌方法，（2010年春季模拟多会议论文集（2010）），1-6 [46] Bochev，P.B。；Gunzburger，M.D.，Least-Squares有限元方法，应用数学科学，第166卷（2009），Springer:Springer纽约·Zbl 1168.65067号 [47] Bochev，P.B。；Gunzburger，M.D.，双曲问题的最小二乘法，（双曲问题数值方法数值分析手册-基本和基本问题（2016）），289-317·Zbl 1352.65001号 [48] 吉蒙德，J.-L。；F.马尔佩。；Popov，B.，通过（L^1）最小化求解一阶偏微分方程的快速算法，Commun。数学。科学。，6, 1, 199-216 (2008) ·Zbl 1143.65060号 [49] 盖蒙德，J.-L。；Popov，B.，Hamilton-Jacobi方程的（L^1）最小化方法：一维情况，Numer。数学。，109, 2, 269-284 (2008) ·Zbl 1143.65061号 [50] 雷斯纳，J。；塞伦萨，J。；Shkoller，S.，非线性守恒定律的时空平滑人工粘性方法，J.Compute。物理。，235, 912-933 (2013) [51] Rauch，J.，BV估计对于大多数维度大于1的拟线性双曲型方程组是失败的，Commun。数学。物理。，106, 3, 481-484 (1986) ·Zbl 0619.35073号 [52] 托罗，E.F。；Billett，S.J.，《双曲守恒律的中心TVD格式》，IMA J.Numer。分析。，20, 1, 47-79 (2000) ·兹比尔0943.65100 [53] Kaiser，E。；库茨，J.N。；Brunton，S.L.，低数据限下模型预测控制的非线性动力学稀疏辨识，Proc。R.Soc.A，474，2219，第20180335条，pp.（2018）·Zbl 1425.93175号 [54] 卢，L。；Jin，P。；Karniadakis，G.E.，Deeponet：基于算子的普遍逼近定理识别微分方程的非线性算子学习（2019），arXiv预印本 [55] Harten，A。；拉克斯，P.D。；利弗莫尔，C.D。；Morokoff，W.J.，一般欧拉方程的凸熵和双曲性，SIAM J.Numer。分析。，35, 6, 2117-2127 (1998) ·Zbl 0922.35089号 [56] Kivva，S.，标量双曲守恒律的熵稳定通量修正（2020），arXiv预印本·Zbl 1486.65110号 [57] LeVeque，R.J.，《双曲问题的有限体积方法》（2002），剑桥大学出版社·Zbl 1010.65040号 [58] Cyr，E.C。；古利安，医学硕士。；帕特尔·R·G。；佩雷戈，M。；Trask，N.A.，深度神经网络的稳健训练和初始化：自适应基础观点，（Lu，J.；Ward，R.，《第一届数学和科学机器学习会议论文集》，《第一次数学和科学机械学习会议论文集中》，机器学习研究论文集，第107卷（2020），PMLR，普林斯顿大学：PMLR，普林斯顿大学普林斯顿，新泽西州，美国），512-536 [59] Schlömer，N。；Cervone，A。；McBain，G.D。；Tryfon分子量；内特；Gokstorp，F。；范·斯塔登，R。；牙石；Dokken，J.S。；Kempf，D。；桑切斯，J。；安齐尔；Bussonnier，M。；Fu，F。；伊凡多波；瓦格纳，N。；陈，S。；塔耶布扎伊迪；Maric，T。；awa5114；Feng，Y.，nschloe/pygmsh v7.1.5（2020年12月） [60] 福克斯，O。；Tchelepi，H.A.，《多孔介质中非线性两相传输的物理信息机器学习的局限性》，J.Mach。学习。模型。计算。，1, 1 (2020) [61] Sod，G.A.，非线性双曲守恒律系统的几种有限差分方法综述，J.Compute。物理。，27, 1-31 (1978) ·Zbl 0387.76063号 [62] Bird，G.A.，《分子气体动力学和气体流动的直接模拟》（1994年），牛津大学出版社 [63] 加利斯，医学硕士。；Koehler，T.P。；托钦斯基，J.R。；Plimpton，S.J.，《Richtmyer-Meshkov不稳定性的直接模拟蒙特卡罗研究》，物理。流体，27，第84105条pp.（2015） [64] 加利斯，医学硕士。；Koehler，T.P。；托钦斯基，J.R。；Plimpton，S.J.，Rayleigh-Taylor不稳定性的直接模拟蒙特卡罗研究，物理学。《流体》第1版，第43403条，pp.（2016） [65] 加利斯，医学硕士。；托钦斯基，J.R。；Bitter，北太平洋。；Koehler，T.P。；Plimpton，S.J。；Papadakis，G.，最小库特流中持续湍流的气体动力学模拟，物理。《流体》第3版，第71402条，pp.（2018） [66] Plimpton，S.J。；摩尔，S.G。；博尔纳，A。；Stagg，A.K。；Koehler，T.P。；托钦斯基，J.R。；Gallis，M.A.，petaflop超级计算机上的直接模拟蒙特卡罗，物理。流体，31，8，第086101条pp.（2019） [67] Stukowski，A.，使用开放可视化工具OVITO对原子模拟数据进行可视化和分析，Model。模拟。马特。科学。工程师，18，1（2010） [68] Plimpton，S.，《短程分子动力学快速并行算法》，J.Compute。物理。，117, 1, 1-19 (1995) ·Zbl 0830.65120号 [69] 伍德，文学硕士。；基特尔·D·E。；科罗拉多州亚灵顿。；Thompson，A.P.，多孔含能材料中激波局部化的多尺度模拟，Phys。B版，97，1，第014109条pp.（2018） [70] 米申，Y。；梅尔，M。；帕帕康斯坦托普洛斯，D。；投票者，A。；Kress，J.，《铜的结构稳定性和晶格缺陷：从头算、紧束缚和嵌入原子计算》，Phys。B版，63、22，第224106条，pp.（2001） [71] Bringa，E。；Cazamias，J。；埃尔哈特，P。；Stölken，J。；Tanushev，N。；沃思，B。；Rudd，R。；Caturla，M.，单晶铜的原子冲击Hugoniot模拟，J.Appl。物理。，96, 7, 3793-3799 (2004) [72] 塔克曼，M.E。；Alejandre，J。；López-Rendón，R。；Jochim，A.L。；Martyna，G.J.，A Liouville算子导出的用于等温-等压系综中分子动力学模拟的保测积分器，J.Phys。A、 数学。Gen.，39，19，5629（2006）·Zbl 1098.81096号 [73] 帕里内洛，M。；Rahman，A.，《单晶中的多晶转变：一种新的分子动力学方法》，J.Appl。物理。，52, 12, 7182-7190 (1981) [74] Shu，C.-W.，含时对流主导偏微分方程的高阶weno和dg方法：几个最新发展的简要综述，J.Compute。物理。，316, 598-613 (2016) ·Zbl 1349.65486号 [75] Bishop，C.M.，《模式识别的神经网络》（1995），牛津大学出版社 [76] 拉马尼，R。；雷斯纳，J。；Shkoller，S.，带小波噪声指示器和冲击碰撞方案的时空平滑人工粘性方法，第1部分：一维情况，J.Compute。物理。，387, 81-116 (2019) ·Zbl 1452.76159号 [77] Lee，K。；特拉斯克，N.A。；帕特尔·R·G。；古利安，医学硕士。；Cyr，E.C.，单位网络的划分：深hp-近似（2021），arXiv预印本 [78] 你，H。；Yu，Y。；北特拉斯克。；M.古利安。；D'Elia，M.，《从高保真合成数据中进行稳健非局部物理的数据驱动学习》（2020），arXiv预印本 [79] 帕特尔·R·G。；特拉斯克，N.A。；Wood，硕士。；Cyr，E.C.，提取数据驱动连续体模型的物理信息操作员回归框架，计算。应用方法。机械。工程，373，第113500条pp.（2021）·Zbl 1506.62383号 [80] Kingma，D.P。；Ba，J.，Adam:随机优化方法（2014），arXiv预印本 [81] 格洛洛特，X。；Bengio，Y.，《理解深度前馈神经网络训练的困难》（Teh，Y.W。；Titterington，M.，《第十三届国际人工智能与统计会议论文集》。第十三届人工智能和统计国际会议记录，意大利撒丁岛。第十三届国际人工智能与统计会议记录。《第十三届人工智能和统计国际会议论文集》，意大利撒丁岛，机器学习研究论文集，JMLR研讨会和会议论文集，恰拉古纳度假村，第9卷（2010），249-256 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。