融合物理知识的卷积循环神经网络用于动力系统的源识别与预测
机器学习
2021-09-01 v3 神经与进化计算
机器学习
摘要
物理过程的时空动力学通常使用偏微分方程（PDEs）建模。尽管核心动力学遵循某些物理原理，现实世界的物理过程往往由未知的外部源驱动。在这种情况下，开发纯解析模型变得非常困难，而数据驱动建模可提供帮助。本文提出一种混合框架，将基于物理的数值模型与深度学习相结合，用于具有不可观测时变外部源的时空动力系统的源识别与预测。我们将模型 PhICNet 构建为一个卷积循环神经网络（RNN），该网络可端到端训练以预测动力系统的时空演化，并将源行为学习为 RNN 的内部状态。实验结果表明，所提模型能够相对长时间地预测动力学并识别源。
引用
@article{arxiv.2004.06243,
title = {Physics-Incorporated Convolutional Recurrent Neural Networks for Source Identification and Forecasting of Dynamical Systems},
author = {Priyabrata Saha and Saurabh Dash and Saibal Mukhopadhyay},
journal= {arXiv preprint arXiv:2004.06243},
year = {2021}
}
备注
15 pages, 16 figures. This manuscript has been accepted for publication in Neural Networks