Phy-Taylor：基于物理模型的深度神经网络
机器学习
2022-11-04 v2 人工智能
摘要
应用于物理工程系统的纯数据驱动深度神经网络（DNN）可能推断出违背物理定律的关系，从而导致意外后果。为应对这一挑战，我们提出一种基于物理模型的 DNN 框架，称为 Phy-Taylor，可加速学习符合物理知识的表示。Phy-Taylor 框架作出两项关键贡献：引入一种新的架构——物理兼容神经网络（PhN），并提出一种新颖的合规机制，我们称之为{\em 物理引导神经网络编辑}。PhN 旨在直接捕捉受物理量启发的非线性，如动能、势能、电功率与空气阻力。为此，PhN 以两个关键组件增强神经网络层：（i）捕捉物理知识的非线性函数的泰勒级数展开单项式，以及（ii）用于减轻噪声影响的抑制器。神经网络编辑机制进一步根据物理知识修改网络链接与激活函数。作为扩展，我们还提出一种自校正 Phy-Taylor 框架，引入两项额外能力：（i）基于物理模型的安全关系学习，以及（ii）当发生安全违例时的自动输出校正。通过实验，我们表明（通过直接表达难以学习的非线性并约束依赖关系）Phy-Taylor 具有显著更少的参数与极快加速的训练过程，同时提供增强的模型鲁棒性与准确性。
引用
@article{arxiv.2209.13511,
title = {Phy-Taylor: Physics-Model-Based Deep Neural Networks},
author = {Yanbing Mao and Lui Sha and Huajie Shao and Yuliang Gu and Qixin Wang and Tarek Abdelzaher},
journal= {arXiv preprint arXiv:2209.13511},
year = {2022}
}
备注
Working Paper