基于物理信息神经网络的流体方程辨识
流体动力学
2024-09-02 v1 机器学习
摘要
科学机器学习（SciML）方法，如物理信息神经网络（PINNs），被用于从控制方程和少量数据中估计感兴趣的参数。然而，在评估 PINNs 在数学科学中广泛控制方程范围内的逆问题表现方面，目前研究甚少。我们提出了一个新的、具有挑战性的逆 PINNs 基准问题，该问题基于带旋转流的二维 Burgers 方程的参数扫描。我们表明，一种在二阶和一阶优化之间交替的新策略在估计参数方面优于典型的一阶策略。此外，我们提出了一种新的数据驱动方法来表征 PINNs 在逆问题设置中的有效性。PINNs 的物理信息正则化使其能够比数据驱动基线更有效地利用少量数据。然而，对于高无粘流，PINNs 和基线都无法恢复参数，这促使需要进一步开发 PINN 方法。
引用
@article{arxiv.2408.17271,
title = {Equation identification for fluid flows via physics-informed neural networks},
author = {Alexander New and Marisel Villafañe-Delgado and Charles Shugert},
journal= {arXiv preprint arXiv:2408.17271},
year = {2024}
}
备注
Published at ICML 2024 AI4Science: https://openreview.net/forum?id=XsvCLEYH3O