胡一浩;赵彤;徐世新;林丽珍;徐志良 Neural-PDE:一种基于RNN的神经网络,用于求解与时间相关的PDE。 (英语) Zbl 07547402号 Commun公司。信息系统。 22,第2期,223-245(2022). 摘要:偏微分方程(PDE)在研究大量科学和工程问题中发挥着至关重要的作用。数值求解非线性和/或高维PDE通常是一项具有挑战性的任务。受传统有限差分和有限元方法以及机器学习新进展的启发,我们提出了一个称为Neural-PDE的序列到序列学习(Seq2Seq)框架,该框架允许人们通过使用双向LSTM编码器,从现有数据中自动学习任何时间相关PDE系统的控制规则,并预测下一时间步的解决方案。我们提出的框架的一个关键特征是,Neural-PDE能够同时学习和模拟PDE系统中所有感兴趣的变量。我们通过一系列示例测试Neural-PDE,从一维PDE到多维非线性复杂流体模型。结果表明,Neural-PDE能够在不知道PDE系统具体形式的情况下学习定义PDE系统初边值问题的初始条件、边界条件和微分算子。在我们的实验中,Neural-PDE可以有效地提取20个训练周期内的动力学,并产生准确的预测。此外,与学习PDE的传统机器学习方法(如CNN和MLP)不同,后者需要大量参数才能获得模型精度,Neural-PDE在所有时间步长之间共享参数,从而大大降低了计算复杂性,并导致快速学习算法。 引用于1文件 MSC公司: 65-XX岁 数值分析 35Kxx美元 抛物方程和抛物系统 PDF格式BibTeX公司 XML格式引用 \textit{Y.Hu}等人,Commun。信息系统。22,第2号,223--245(2022;Zbl 07547402) 全文: 内政部 arXiv公司