一种用于应对物理信息神经网络复杂性的序贯元迁移（SMT）学习：在复合材料热压罐工艺中的应用
机器学习
2023-08-15 v1 人工智能
摘要
物理信息神经网络（PINNs）因将物理定律融入神经网络训练以求解非线性偏微分方程（PDEs）而广受欢迎，使其在众多科学与工程应用中表现优越。然而，传统PINNs在精确逼近具有强非线性的复杂系统解方面仍显不足，尤其在长时间域中。此外，由于PINNs旨在逼近给定PDE系统的特定实现，其缺乏高效适应新系统配置所需的泛化能力。这导致系统任何新变动都需从零开始计算昂贵的重新训练。为弥补这些不足，本文提出一种新颖的序贯元迁移（SMT）学习框架，为长时间域高度非线性系统中PINNs的快速训练与高效适应提供统一解决方案。具体而言，该框架将PDE时间域分解为较小时间段，为PINNs训练构造“更易”的PDE问题。随后为每个时间间隔分配并训练一个元学习器，以获得最优初始状态以快速适应一系列相关任务。再跨时间间隔利用迁移学习原理进一步降低计算成本。通过复合材料热压罐工艺案例研究，表明SMT在显著降低计算成本（达100倍）的同时，明显增强了PINNs的适应性。
引用
@article{arxiv.2308.06447,
title = {A Sequential Meta-Transfer (SMT) Learning to Combat Complexities of Physics-Informed Neural Networks: Application to Composites Autoclave Processing},
author = {Milad Ramezankhani and Abbas S. Milani},
journal= {arXiv preprint arXiv:2308.06447},
year = {2023}
}