PID-GAN：基于物理信息判别器的 GAN 框架用于带物理约束的不确定性量化
机器学习
2021-06-08 v1 机器学习
摘要
随着深度学习（DL）的应用不断渗入关键科学用例，利用 DL 进行不确定性量化（UQ）的重要性变得比以往更为迫切。在科学应用中，以问题物理知识来指导 DL 模型的学习以产生物理一致且可泛化的解也很重要。这被称为新兴的物理信息深度学习（PIDL）领域。我们考虑开发也能进行 UQ 的 PIDL 公式的问题。为此，我们提出了一种新颖的物理信息 GAN 架构，称为 PID-GAN，其中物理知识被用于指导生成器和判别器模型的学习，并充分利用无标签数据实例。我们表明，与最先进水平相比，我们提出的 PID-GAN 框架不会遭受来自多个损失项的生成器梯度不平衡问题。我们还通过涉及基准物理基 PDE 以及不完美物理的多种案例研究，实证展示了所提框架的有效性。本研究中使用的所有代码和数据集均已在此链接提供：https://github.com/arkadaw9/PID-GAN。
引用
@article{arxiv.2106.02993,
title = {PID-GAN: A GAN Framework based on a Physics-informed Discriminator for Uncertainty Quantification with Physics},
author = {Arka Daw and M. Maruf and Anuj Karpatne},
journal= {arXiv preprint arXiv:2106.02993},
year = {2021}
}
备注
11 pages, 11 figures, 2 tables, Published at KDD 2021