物理信息神经网络的一次性迁移学习
机器学习
2022-07-06 v2 计算物理
摘要
高效且准确地求解微分方程处于众多科研领域进步的心脏地带，从经典动力系统到量子力学皆然。利用物理信息神经网络（PINNs）应对此类问题兴趣激增，因其相较传统数值方法具诸多优势。尽管 PINNs 在求解微分方程上有潜在益处，迁移学习却未被充分探索。本研究提出一种 PINNs 迁移学习的通用框架，可对常微分与偏微分线性方程实现一次性推断。这意味着许多未知微分方程的高度准确解可即时获得，无需重新训练整个网络。我们通过求解若干真实问题展示该深度学习方法的效能，如一二阶线性常微分方程、泊松方程以及含时薛定谔复值偏微分方程。
引用
@article{arxiv.2110.11286,
title = {One-Shot Transfer Learning of Physics-Informed Neural Networks},
author = {Shaan Desai and Marios Mattheakis and Hayden Joy and Pavlos Protopapas and Stephen Roberts},
journal= {arXiv preprint arXiv:2110.11286},
year = {2022}
}
备注
ICML AI4Science Workshop 2022