富赫，J.N。；A.卡马尔卡。；T·卡迪图姆。；Yoon，H。；北卡罗来纳州布克拉斯。 深度卷积Ritz方法：无标记数据的参数PDE替代物。 （英语） 兹伯利07712702 AMM，申请。数学。机械。，英语。预计起飞时间。 44，第7期，1151-1174（2023）. 引用于1文件 MSC公司： 65-XX岁 数值分析 35-XX年 偏微分方程 92B20型 生物研究、人工生命和相关主题中的神经网络 关键词：物理通知约束；深层能源网络；卷积神经网络 软件：达奇；LSWR_丢失功能_PINN；PhyGeoNet（物理地理网）；PhyCRNet（物理CRNet）；掌中宽带；PointNet（点网）；DeepONet（深度网络）；SegNet公司；PyTorch公司；PIN码NTK码；亚当 PDF格式BibTeX公司 XML格式引用 \textit{J.N.Fuhg}等人，AMM，应用。数学。机械。，英语。第44版，第7号，1151--1174（2023；Zbl 07712702） 全文： 内政部 arXiv公司 OA许可证 参考文献： [1] Gogu，C.，通过动态降阶模型构建提高大规模拓扑优化的效率，《国际工程数值方法杂志》，101，4，281-304（2015）·兹比尔1352.74241 ·doi:10.1002/nme.4797 [2] 夏，L。；Breitkopf，P.，非线性结构拓扑优化的简化多尺度模型，应用力学和工程中的计算机方法，280117-134（2014）·Zbl 1423.74771号 ·doi:10.1016/j.cma.2014.07.024 [3] 凯沙瓦尔扎德，V。；柯比，R.M。；Narayan，A.，使用人工神经网络进行低阶近似的鲁棒拓扑优化，计算力学，68，6，1297-1323（2021）·Zbl 1493.74095号 ·doi:10.1007/s00466-021-02069-3 [4] Roache，P.J.，计算流体动力学中不确定性的量化，流体力学年度评论，29，1，123-160（1997）·doi:10.1146/anurev.fluid.29.1.123 [5] 陈，P。；Quarteroni，A。；Rozza，G.，不确定性量化的简化基础方法，SIAM/ASA不确定性量化期刊，5，1，813-869（2017）·Zbl 1400.65010号 ·doi:10.1137/151004550 [6] Tripathy，R.K。；Bilinis，I.，Deep UQ：学习深层神经网络替代模型用于高维不确定性量化，计算物理杂志，375565-588（2018）·Zbl 1419.68084号 ·doi:10.1016/j.jcp.2018.08.036 [7] Biegler，L.T。；O.加塔斯。；Heinkenschloss，M。；Waamders，B.V B.，《大规模PDE约束优化：简介》，《实时PDE约束最优化》（2003），柏林/海德堡：施普林格，柏林/海德堡·Zbl 1021.00015号 ·doi:10.1007/978-3-642-55508-4 [8] 法尔，M。；Sachs，E.W.，基于适当正交分解的PDE约束优化的降阶建模方法，大尺度PDE约束最优化（2003），柏林/海德堡：施普林格，柏林/海德堡·Zbl 1060.49023号 [9] Zahr，M.J。；Farhat，C.，PDE约束优化的参数降阶模型的渐进构建，国际工程数值方法杂志，102，51111-1135（2015）·兹比尔1352.49029 ·doi:10.1002/nme.4770 [10] Fuhg，J.N。；Boehm，C。；布克拉斯，N。；Fau，A.等人。；Wriggers，P。；Marino，M.，《模型数据驱动的本构响应：多尺度计算框架的应用》，《国际工程科学杂志》，167103522（2021）·Zbl 07411518号 ·doi:10.1016/j.ijengsci.2021.103522 [11] Fuhg，J.N。；马里诺，M。；Bouklas，N.，《数据驱动本构模型的局部近似高斯过程回归：与神经网络的发展和比较》，《应用力学和工程中的计算机方法》，388114217（2022）·Zbl 1507.65182号 ·doi:10.1016/j.cma.2021.114217 [12] Fuhg，J.N。；Bouklas，N.，《通过概率机器学习和空间填充采样建立基于物理的数据驱动各向同性和各向异性本构模型》，应用力学和工程中的计算机方法，394114915（2022）·Zbl 1507.74551号 ·doi:10.1016/j.cma.2022.114915 [13] Wriggers，P.，《非线性有限元方法》（2008），柏林/海德堡：施普林格，柏林/海德堡·Zbl 1153.74001号 [14] 穆卡勒德，F。；Mangani，L。；Darwish，M.，有限体积法，计算流体动力学中的有限体积法（2016），柏林/海德堡：施普林格，柏林/海德堡·Zbl 1329.76001号 ·doi:10.1007/978-3-319-16874-6 [15] Berkooz，G。；霍姆斯，A.P。；Lumley，J.L.，湍流分析中的适当正交分解，《流体力学年度评论》，25，1，539-575（1993）·doi:10.1146/annurev.fl.25.010193.002543 [16] 《对联》，M。；Basdevant，C。；Sagaut，P.，用于流体流动建模的校准降阶POD-Galerkin系统，计算物理杂志，207，1192-220（2005）·Zbl 1177.76283号 ·doi:10.1016/j.jcp.2005.01.008 [17] 郭美伟。；Hesthaven，J.S.，使用高斯过程回归进行非线性结构分析的降阶建模，《应用力学和工程中的计算机方法》，341807-826（2018）·Zbl 1440.65206号 ·doi:10.1016/j.cma.2018.07.017 [18] ORTALI，G.，DEMO，N.，和ROZZA，G.流体动力学工程问题数据驱动POD框架内的高斯过程方法。arXiv预印，arXiv:2012.01989（2020）doi:10.48550/arXiv.2012.01999·Zbl 1500.76072号 [19] BHATTACHARYA，K.、HOSSEINI，B.、KOVACHKI，N.B.和STUART，A.M.参数偏微分方程的模型简化和神经网络。arXiv预打印，arXiv:2005.03180（2020）doi:10.48550/arXiv.2005.031800·Zbl 1481.65260号 [20] Zhu，Y.H。；Zabaras，N.，用于代理建模和不确定性量化的贝叶斯深度卷积编码器-解码器网络，计算物理杂志，366415-447（2018）·Zbl 1407.62091号 ·doi:10.1016/j.jcp.2018.04.018 [21] Kutyniok，G。；彼得森，P。；拉斯兰，M。；Schneider，R.，深度神经网络和参数偏微分方程的理论分析，构造逼近，55，1，73-125（2022）·Zbl 07493717号 ·doi:10.1007/s00365-021-09551-4 [22] Khoo，Y.H.先生。；卢，J.F。；Ying，L.X.，用人工神经网络解决参数PDE问题，欧洲应用数学杂志，32，3，421-435（2021）·Zbl 1501.65154号 ·doi:10.1017/S0956792520000182 [23] Sun，A.Y.，《使用生成对抗网络发现地下模型中的状态参数映射》，《地球物理研究快报》，45，20，11137-11146（2018）·doi:10.1029/2018GL080404 [24] Kadeethum，T。；奥马利，D。；Fuhg，J.K。；Choi，Y。；Lee，J。；Viswanathan，H.S。；Bouklas，N.，使用条件生成对抗性网络的偏微分方程的数据驱动解决方案和参数估计框架，自然计算科学，1，12819-829（2021）·doi:10.1038/s43588-021-00171-3 [25] LI，Z.Y.，KOVACHKI，N.，AZIZADENESHELI，K.，LIU，B.，BHATTACHARYA，K..，STUART，A.和ANANDKUMAR，A.神经运算符：偏微分方程的图形核网络。arXiv预打印，arXiv:2003.0485（2020）doi:10.48550/arXiv.2003.03485 [26] LI，Z.Y.，KOVACHKI，N.B.，AZIZADENESHELI，K.，LIU，B.，BHATTACHARYA，K..，STUART，A.和ANANDKUMAR，A.参数偏微分方程的傅里叶神经算子。arXiv预印本，arXiv:2010.08895（2020）https://arxiv.org/abs/2010.08895 [27] Liu，H.T。；Ong，Y.S。；Cai，J.F.，支持基于仿真的复杂工程设计的全局元建模自适应采样调查，结构和多学科优化，57，1，393-416（2018）·doi:10.1007/s00158-017-1739-8 [28] Fuhg，J.N。；Fau，A。；Nackenhorst，U.，kriging自适应采样方法的现状和比较评述，工程计算方法档案，28，4，2689-2747（2021）·doi:10.1007/s11831-020-09474-6 [29] Fuhg，J.N。；Fau，A.，未标记数据高斯过程回归的分类预测自适应方法，机械系统和信号处理，162107976（2022）·doi:10.1016/j.ymssp.2021.107976 [30] SCHOBI，R.、SUDRET，B.和WIART，J.多项式-混沌克里金。arXiv预打印，arXiv:1502.03939（2015）doi:10.48550/arXiv.1502.039399·Zbl 1498.82031号 [31] WANG，R.、KASHINATH，K.、MUSTAFA，M.、ALBERT，A.和YU，R.面向湍流预测的基于物理的深度学习。第26届ACM SIGKDD知识发现和数据挖掘国际会议论文集，虚拟事件，计算机协会，1457-1466（2020） [32] MOHAN，A.T.、LUBBERS，N.、LIVESCU，D.和CHERTKOV，M.在3D湍流的神经网络粗粒度中嵌入硬物理约束。arXiv预印本，arXiv:2002.0021（2020）doi:10.448550/arXiv.2002.00021 [33] Griewank，A.，《自动微分论》，《数学编程：最新发展与应用》（1989），荷兰：Kluwer学术出版社，荷兰·Zbl 0696.65015号 [34] 拉加里斯，I.E。；利卡斯，A。；Fotiadis，D.I.，用于求解常微分方程和偏微分方程的人工神经网络，IEEE神经网络汇刊，9，5，987-1000（1998）·数字对象标识代码：10.1109/72.712178 [35] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.E.，《基于物理的神经网络：解决非线性偏微分方程正向和反向问题的深度学习框架》，计算物理学杂志，378，686-707（2019）·Zbl 1415.68175号 ·doi:10.1016/j.jcp.2018.10.045 [36] Wessels，H。；魏恩费尔斯，C。；Wriggers，P.，《神经粒子方法——一种更新的拉格朗日物理信息神经网络用于计算流体动力学》，《应用力学和工程中的计算机方法》，368113127（2020）·Zbl 1506.76136号 ·doi:10.1016/j.cma.2020.113127 [37] Fuhg，J.N。；卡洛格里斯，I。；Fau，A。；Bouklas，N.，《不确定领域的区间和模糊物理信息神经网络》，概率工程力学，68，103240（2022）·doi:10.1016/j.probengmech.2022.103240 [38] LU，L.，JIN，P.Z.，和KARNIADAKIS，G.E.Deeponet：基于算子的普遍逼近定理学习非线性算子以识别微分方程。arXiv预印，arXiv:1910.03193（2019）doi:10.48550/arXiv.1910.0193 [39] 卢，L。；Jin，P.Z。；Pang，G.F。；张志强。；Karniadakis，G.E.，基于算子的通用逼近定理通过DeepONet学习非线性算子，自然机器智能，3，3，218-229（2021）·doi:10.1038/s42256-021-00302-5 [40] Wang，S.F。；Wang，H.W。；Perdikaris，P.，《利用物理知识的DeepONets学习参数偏微分方程的解算子》，《科学进展》，7，40，eabi8605（2021）·doi:10.1126/sciadv.abi8605 [41] Zhu，Y.H。；北卡罗来纳州扎巴拉斯。；Koutsourelakis，P.S。；Perdikaris，P.，《无标记数据的高维代理建模和不确定性量化的物理约束深度学习》，《计算物理杂志》，39456-81（2019）·Zbl 1452.68172号 ·doi:10.1016/j.jcp.2019.05.024 [42] 高，H。；Sun，L.N。；Wang，J.X.，PhyGeoNet:基于物理的几何自适应卷积神经网络，用于求解不规则域上的参数化稳态PDE，计算物理杂志，428110079（2021）·Zbl 07511433号 ·doi:10.1016/j.jcp.2020.110079 [43] 任，P。；Rao，C.Q。；刘，Y。；王建新。；Sun，H.，PhyCRNet:解时空偏微分方程的基于物理的卷积递归网络，应用力学和工程中的计算机方法，389，114399（2022）·Zbl 1507.65209号 ·doi:10.1016/j.cma.2021.114399 [44] E.渭南。；Yu，B.，深度Ritz方法：一种基于深度学习的求解变分问题的数值算法，数学与统计学通信，6，1，1-12（2018）·Zbl 1392.35306号 ·数字对象标识代码：10.1007/s40304-018-0127-z [45] Liao，Y.L。；Ming，P.B.，Deep Nitsche方法：具有基本边界条件的Deep Ritz方法，计算物理中的通信，291365-1384（2021）·兹比尔1473.65309 ·doi:10.4208/cicp。OA-2020-0219号文件 [46] Duan，C.G。；Jiao，Y.L。；Lai，Y.M。；卢，X.L。；杨振杰，深层Ritz方法的收敛速度分析，计算物理通信，31,41020-1048（2022）·Zbl 1491.65117号 ·doi:10.4208/cicp。OA-2021-0195号 [47] Samaniego，E。；Anitescu，C。；Goswami，S。；阮成，V.M。；郭洪伟。；Hamdia，K。；庄，X。；Rabczuk，T.，《通过机器学习解决计算力学中偏微分方程的能量方法：概念、实现和应用》，《应用力学和工程中的计算机方法》，362112790（2020）·Zbl 1439.74466号 ·doi:10.1016/j.cma.2019.112790 [48] Fuhg，J.N。；Bouklas，N.，求解有限应变超弹性集中特征的混合深能方法，计算物理杂志，451110839（2022）·Zbl 07517152号 ·doi:10.1016/j.jcp.2021.110839 [49] Krishnapriyan，A。；戈洛米，A。；哲，S.D。；柯比，R。；Mahoney，M.W.，《表征物理信息神经网络中可能的故障模式》，《神经信息处理系统的进展》，3426548-26560（2021） [50] Wang，S.F。；Yu，X.L。；Perdikaris，P.，《钉无法训练的时间和原因：神经切线核的观点》，《计算物理杂志》，449，110768（2022）·Zbl 07524768号 ·doi:10.1016/j.jcp.2021.110768 [51] 安德森，I。；Duchamp，T.，《关于整体变分原理的存在性》，《美国数学杂志》，102，5，781-868（1980）·Zbl 0454.58021号 ·doi:10.2307/2374195 [52] Reddy，J.N.，《应用力学中的能量原理和变分方法》（2017），纽约：John Wiley&Sons出版社，纽约 [53] 贝罗，D.A。；Veiga，L。；布雷齐，F。；马里尼，L.D。；Russo，A.，《虚拟元素法搭便车指南，应用科学中的数学模型和方法》，24，8，1541-1573（2014）·Zbl 1291.65336号 ·doi:10.1142/S021820251440003X [54] Douglas，J.，《变分法反问题的求解》，《美国国家科学院院刊》，25，12631-637（1940）·Zbl 0023.13702号 ·doi:10.1073/pnas.25.12.631 [55] Takens，F.，变分法反问题的全球版本，《微分几何杂志》，14，4，543-562（1979）·Zbl 0463.58015号 ·doi:10.4310/jdg/1214435235 [56] Zenkov，D.V.，《变分法的逆问题：局部和全局理论与应用》（2015），北卡罗来纳州：亚特兰蒂斯出版社，北卡罗莱纳州·Zbl 1336.49001号 ·数字对象标识代码：10.2991/978-94-6239-109-3 [57] Weinstock，R.，《变分微积分：在物理和工程中的应用》（1974），纽约：多佛出版社，纽约·Zbl 0296.49001号 [58] Evans，L.C.，偏微分方程（1998），华盛顿特区：美国数学学会，华盛顿特区·Zbl 0902.35002号 [59] 阿尔瓜西尔，A。；平托，W.G。；Bauerheim，M。；雅各布，M.C。；Moreau，S.，《完全卷积网络中边界条件对时空动力学学习的影响》，欧洲机器学习和数据库知识发现联合会议，102-117（2021），荷兰：施普林格，荷兰 [60] MASCI，J.、BOSCAINI，D.、BRONSTEIN，M.M.和VANDERGHEYNST，P.黎曼流形上的测地卷积神经网络。IEEE计算机视觉研讨会国际会议，IEEE，37-45（2015） [61] QI，C.R.，LI，Y.，HAO，S.和GUIBAS，L.J.Pointnet++：度量空间中点集的深度分层特征学习。第31届神经信息处理系统国际会议记录，珀斯，5105-5114（2017） [62] 江春云。；王德庆。；黄，J.W。；马库斯，P。；Nießner，M.，使用欧几里德谱变换对非均匀几何信号的卷积神经网络（2019），新奥尔良：国际机器学习学会，新奥尔奥尔良 [63] 顾建新。；王振华。；Kuen，J。；马立英（Ma，L.Y.）。；Shahroudy，A。；Shuai，B。；刘，T。；王晓霞。；Wang，L。；王，G。；蔡建芳（Cai，J.F.）。；Chen，T.，卷积神经网络的最新进展，模式识别，77，354-377（2018）·doi:10.1016/j.patcog.2017.10.013 [64] Estrach，J.B。；Szlam，A。；Lecun，Y.，从池表示中恢复信号，机器学习研究论文集，32，2，307-315（2014） [65] HINTON，G.E.、SRIVASTAVA，N.、KRIZHEVSKY，A.、SUTSKEVER，I.和SALAKHUTDINOV，R.R.通过防止特征检测器的协同适应来改进神经网络。arXiv预印本，arXiv:1207.0580（2012）doi:10.448550/arXiv.1207.0580·Zbl 1318.68153号 [66] 北斯利瓦斯塔瓦。；辛顿，G。；Krizhevsky，A。；Sutskever，I。；Salakhutdinov，R.，《辍学：防止神经网络过度拟合的简单方法》，《机器学习研究杂志》，1929-1958年，第15期，第1期（2014年）·Zbl 1318.68153号 [67] IOFFE，S.和SZEGEDY，C.批量规范化：通过减少内部协变量偏移来加速深层网络训练。arXiv预打印，arXiv:1502.03167（2015）doi:10.48550/arXiv.1502.03167 [68] RONNEBERGER，O.、FISCHER，P.和BROX，T.U-net：生物医学图像分割的卷积网络。arXiv预印本，arXiv:150.054597（2015）doi:10.48550/arXiv.1505.04597 [69] 毛晓杰。；沈春华。；Yang，Y.B.，《使用具有对称跳跃连接的深度卷积编解码网络进行图像恢复》（2016年），巴塞罗那：神经信息处理系统基金会，巴塞罗纳 [70] Wang，W。；黄，Y。；王义忠。；Wang，L.，广义自动编码器：降维的神经网络框架（2014），哥伦布：IEEE，哥伦布 [71] Badrinarayan，V。；肯德尔，A。；Cipolla，R.，SegNet:用于图像分割的深度卷积编码器架构，IEEE模式分析和机器智能汇刊，39，12，2481-2495（2017）·doi:10.1109/TPAMI.2016.2644615 [72] 辛顿，G.E。；Salakhutdinov，R.R.，《用神经网络降低数据的维数》，《科学》，3135786504-507（2006）·Zbl 1226.68083号 ·doi:10.1212/科学1127647 [73] Roweis，S。；Brody，C.，线性异编码器（1999），伦敦：盖茨比计算神经科学部，伦敦亚历山德拉大厦 [74] 布里奇曼，W。；张，X。；Teichert，G。；哈利勒，M。；Garikipati，K。；Jones，R.，《利用变分推断预测多孔金属中失效位置的异形编码器结构》，《应用力学和工程中的计算机方法》，398115236（2022）·Zbl 1507.74114号 ·doi:10.1016/j.cma.2022.115236 [75] KINGMA，D.和BA，J.Adam：随机优化方法。arXiv预印，arXiv:1412.6980（2014）doi:10.48550/arXiv.1412.6980 [76] 蒙哥马利特区。；Peck，E.A。；Vining，G.G.，《线性回归分析导论》（2021），纽约：John Wiley&Sons出版社，纽约·Zbl 1457.62004号 [77] Seber，G.A F。；Wild，C.J.，《非线性回归》（1990），纽约：John Wiley&Sons出版社，纽约 [78] Leveque，R.J.，《常微分方程和偏微分方程的有限差分方法：稳态和时间相关问题》（2007），费城：工业和应用数学学会，费城·Zbl 1127.65080号 ·doi:10.137/1.9780898177839 [79] HAMEL，C.M.、LONG，K.N.和KRAMER，S.L.通过物理信息神经网络用全场数据校准本构模型。arXiv预打印，arXiv:2203.16577（2022）doi:10.48550/arXiv.2203.16557 [80] Ritz，W.，Us ber eine neue Methode zur Lösung Gewisser Variations der Mathematischen Physik（1909），纽约：Walter de Gruyter，纽约·doi:10.1515/crll.1909.135.1 [81] Leissa，A.W.，瑞利和里兹方法的历史基础，《声音与振动杂志》，287，4-5961-978（2005）·doi:10.1016/j.jsv.2004.12.021 [82] 戴维斯，P.J。；Rabinowitz，P.，《数值积分方法》（2007），纽约：多佛出版社，纽约·Zbl 1139.65016号 [83] PASZKE，A.，GROSS，S.，MASSA，F.，ADAM LERER，A.，BRADBURY，J.，CHANAN，G.，KILLEEN，T.，LIN，Z.，GIMELSHEIN，N.，ANTIGA，L.，DESMAISON，A.，KØPF，A.、YANG，E.，DEVITO，Z.、RAISON，M.，TEJANI，A.和CHILAMKURTHY，S.、STEINER，B.、FANG，L.、BAI，J.和CHINTALA，S.Pythort：一个命令式、高性能的深度学习库。arXiv预印，arXiv:1912.01703（2019）doi:10.48550/arXiv.1912.01702 [84] Bai，J.S。；Rabczuk，T。；古普塔，A。；Alzubaidi，L。；Gu，Y.T.，基于修正损失函数的物理信息神经网络技术，用于计算2D和3D固体力学，计算力学，71，543-562（2023）·兹比尔1521.74404 ·doi:10.1007/s00466-022-0225-0 [85] 史晓杰。；陈振瑞。；Wang，H。；Yeung，D.Y。；Wong，W.K。；Woo，W.C.，卷积LSTM网络：降水预报的机器学习方法，神经信息处理系统进展，28，802-810（2015） 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。