基于流体动力学潜在估计的物理信息神经预测器 PINP
机器学习
2025-04-09 v1
摘要
准确预测流体动力学和演化一直是物理科学中的长期挑战。传统深度学习方法往往依赖神经网络的非线性建模能力在过去状态和未来状态之间建立映射，忽视了流体动力学，或仅建模速度场，忽略了多个物理量的耦合。本文提出了一种新的物理信息学习方法，将耦合的物理量纳入预测过程以辅助 forecasting。我们方法的核心在于对物理方程进行离散化，这些方程直接集成到模型架构和损失函数中。这种集成使模型能够提供稳健的长期 future 预测。通过引入物理方程，我们的模型展示了时间外推和空间泛化能力。实验结果表明，我们的方法在数值模拟和真实世界极端降雨 nowcasting 基准测试中在时空预测中实现了最佳性能。
关键词
引用
@article{arxiv.2504.06070,
title = {PINP: Physics-Informed Neural Predictor with latent estimation of fluid flows},
author = {Huaguan Chen and Yang Liu and Hao Sun},
journal= {arXiv preprint arXiv:2504.06070},
year = {2025}
}