自适应物理引导神经网络
统计方法学
2024-11-18 v1 机器学习
摘要
本文提出一种自适应物理引导神经网络（APGNN）框架，通过将物理定律融入深度学习模型，从图像数据预测质量属性。APGNN自适应平衡数据驱动与物理引导预测，增强模型在不同环境下的准确性与鲁棒性。我们在合成与真实数据集上评估该方法，并与ResNet等传统数据驱动模型对比。合成数据方面，利用三个不同本构方程生成二维域：扩散方程、对流-扩散方程和泊松方程。对这些域施加非线性变换以模拟图像形式的复杂物理过程。真实实验中，APGNN在多样化热图像数据集上持续展现优越性能。在材料多样性低、条件受控的黄瓜数据集上，APGNN与物理引导神经网络（PGNN）表现相近，均优于数据驱动的ResNet。然而在更复杂的热数据集中，特别是环境变异性较高的室外材料上，APGNN通过动态调整对基于物理与数据驱动洞察的依赖，超越了PGNN和ResNet。这种适应性使APGNN能在结构化、低变异性场景和更异质场景中保持鲁棒性能。这些发现凸显了自适应物理引导学习有效整合物理约束的潜力，即使在具有多样环境条件的挑战性真实场景中亦然。
引用
@article{arxiv.2411.10064,
title = {Adaptive Physics-Guided Neural Network},
author = {David Shulman and Itai Dattner},
journal= {arXiv preprint arXiv:2411.10064},
year = {2024}
}