用于数据驱动与物理信息问题的多保真深度算子网络
数值分析
2023-11-22 v2 机器学习
数值分析
摘要
针对复杂非线性系统的算子学习在多物理与多尺度系统建模中日益普遍。然而，训练此类高维算子需要大量昂贵的、来自实验或仿真的高保真数据。在本工作中，我们提出一种复合深度算子网络（DeepONet），利用两个具有不同保真度的数据集进行学习，以在充足高保真数据不可得时准确学习复杂算子。此外，我们证明低保真数据的存在可改善基于 DeepONet 的物理信息学习的预测。我们在多个示例中展示了新的多保真训练，包括使用两种不同保真度模型以及使用同一物理模型在两种不同分辨率下对格陵兰 Humboldt 冰川冰盖动力学进行建模。
引用
@article{arxiv.2204.09157,
title = {Multifidelity Deep Operator Networks For Data-Driven and Physics-Informed Problems},
author = {Amanda A. Howard and Mauro Perego and George E. Karniadakis and Panos Stinis},
journal= {arXiv preprint arXiv:2204.09157},
year = {2023}
}