用于学习物理模型的物理引导生成对抗网络
机器学习
2023-04-25 v1 计算物理
摘要
本短札描述了深度神经网络（DNNs）的引导训练以学习物理合理解的概念。DNNs 正被广泛用于预测物理与力学中的现象。DNNs 的问题之一是其输出并非总满足物理方程。考虑物理方程的一种途径是将方程的残差加入损失函数；这被称为物理信息神经网络（PINN）。PINNs 的一个特征是物理方程及相应残差必须作为神经网络模型的一部分实现。此外，该残差并非总收敛至小值。所提模型为一种物理引导生成对抗网络（PG-GAN），其使用 GAN 架构，其中物理方程用于判定神经网络输出是否与物理一致。所提方法被应用于一个简单问题以评估其潜在可用性。
引用
@article{arxiv.2304.11488,
title = {Physics-guided generative adversarial network to learn physical models},
author = {Kazuo Yonekura},
journal= {arXiv preprint arXiv:2304.11488},
year = {2023}
}