用于数字孪生模型的残差神经网络架构中的物理编码块
机器学习
2025-07-15 v2 机器人学
摘要
物理信息机器学习已成为数字孪生中建模和仿真的一种流行方法，能够生成真实世界系统中过程和行为的准确模型。然而，现有方法要么依赖于提供有限物理集成的简单损失正则化，要么采用难以推广到不同物理系统的高度专业化架构。本文提出了一种基于新颖的物理编码残差神经网络（PERNN）架构的通用方法，该方法无缝结合了数据驱动和基于物理的分析模型，以克服这些局限性。我们的方法将可微物理块（实现基于物理模型的数学算子）与前馈学习块相集成，同时中间残差块确保训练期间稳定的梯度流。因此，即使先验物理知识不完整，该模型也能自然地遵循底层物理原理，从而在低数据需求和降低模型复杂度的情况下提高泛化能力。我们在两个应用领域研究了我们的方法。第一个是仿真环境中自动驾驶车辆的转向模型，第二个是使用基于常微分方程（ODE）的净生态系统交换（NEE）模型进行气候建模的数字孪生，以实现通量塔数据的填补。在这两种情况下，我们的方法均优于传统神经网络方法以及最先进的物理信息机器学习方法。
引用
@article{arxiv.2411.11497,
title = {Physics Encoded Blocks in Residual Neural Network Architectures for Digital Twin Models},
author = {Muhammad Saad Zia and Ashiq Anjum and Lu Liu and Anthony Conway and Anasol Pena Rios},
journal= {arXiv preprint arXiv:2411.11497},
year = {2025}
}
备注
Accepted at Machine Learning (Springer). Under Publishing Process