代理数据增强的物理感知神经网络
机器学习
2022-07-01 v2
摘要
神经网络可用作PDE模型的代理模型。通过在训练时的损失函数中对底层方程或物理性质的守恒进行惩罚，可使其具备物理感知能力。现有方法允许在训练过程中额外考虑来自数值模拟或实验的数据。然而，此类数据通常获取代价高昂，因此在复杂模型中仅稀少可用。本工作中，我们研究如何利用来自其他代理模型（如降阶模型（ROMs））的计算代价更低但不精确的数据来丰富物理感知模型。为避免过度信任低 fidelity 的代理解，我们开发了一种对不精确数据中的误差敏感的方法。作为概念验证，我们考虑一维波动方程，并表明当融入来自ROMs的不精确数据时，训练精度提高了两个数量级。
引用
@article{arxiv.2112.05489,
title = {Surrogate-data-enriched Physics-Aware Neural Networks},
author = {Raphael Leiteritz and Patrick Buchfink and Bernard Haasdonk and Dirk Pflüger},
journal= {arXiv preprint arXiv:2112.05489},
year = {2022}
}