求解微分方程的能力是复杂系统建模和理解的关键一步。求解微分方程有几种分析和数值方法,每种方法都有各自的优点和局限性。物理信息神经网络(PINNs)提供了另一种视角。尽管PINN提供了很有希望的结果,但许多人对这种方法仍然一无所知。本文介绍了一种提高PINN求解微分方程效率的方法。我们的方法与问题的表述有关:不是训练网络来解决阶微分方程,我们建议将问题转化为相空间中的一阶方程。该网络的目标是同时求解系统的所有方程,有效地引入了多任务优化问题。我们比较了这两种方法在各种问题上的经验,从具有常系数的二阶微分方程到高阶和非线性问题。我们还表明,我们的方法适用于求解偏微分方程。我们的结果表明,该系统方法在大多数实验中表现相同或更好。我们分析了少数表现不佳的跑步的学习过程,并表明问题源于训练过程中相互冲突的梯度,有效地阻碍了多任务学习。本文的结果是一种简单的启发式方法,可以结合到任何后续的研究中,这些研究建立在PINN求解微分方程的基础上。此外,它还展示了如何通过实施多任务学习文献中的技术来提高PINN的效率。
1更多- 收到日期:2022年5月11日
- 2022年10月1日接受
内政部:https://doi.org/10.103/PhysRevResearch.4.043090
美国物理学会根据知识共享署名4.0国际许可证。这部作品的进一步分发必须保持作者和已发表文章的标题、期刊引用和DOI的归属。
美国物理学会出版
普通物理学跨学科物理学非线性动力学