AutoPINN：当 AutoML 遇上物理信息神经网络
机器学习
2022-12-09 v1 人工智能
摘要
物理信息神经网络（PINN）近期被提出用于求解科学与工程问题，其中物理定律作为先验知识引入神经网络。借助嵌入的物理定律，PINN 能够通过可观测变量估计物理工具不可观测的关键参数。例如，电力电子变换器（PEC）是绿色能源转型的基本构件。PINN 已被应用于利用运行中易观测的电流与电压来估计 PEC 运行中不可观测的电容。所估计的电容有助于 PEC 的自诊断。现有 PINN 通常手动设计，耗时且因神经网络架构与超参数的大量设计选择可能导致次优性能。此外，PINN 常部署于不同物理设备（如 PEC）上，其资源有限且多变。因此，需要在不同资源约束下设计不同的 PINN 模型，使手动设计更具挑战性。为应对这些挑战，我们提出自动化物理信息神经网络（AutoPINN），一种通过结合 AutoML 与 PINN 实现 PINN 自动化设计的框架。具体而言，我们首先定制一个搜索空间，以寻找用于 PEC 内部参数估计的高精度 PINN。然后提出资源感知搜索策略探索该空间，以在不同资源约束下找到最佳 PINN 模型。实验表明，AutoPINN 能够以更少资源找到比人工设计的最先进 PINN 模型更精确的 PINN 模型。
引用
@article{arxiv.2212.04058,
title = {AutoPINN: When AutoML Meets Physics-Informed Neural Networks},
author = {Xinle Wu and Dalin Zhang and Miao Zhang and Chenjuan Guo and Shuai Zhao and Yi Zhang and Huai Wang and Bin Yang},
journal= {arXiv preprint arXiv:2212.04058},
year = {2022}
}