TensorDiffEq：面向物理信息神经网络的可扩展多 GPU 正问题与逆问题求解器
数学软件
2021-03-31 v1 计算物理
摘要
物理信息神经网络有望通过引入领域感知的深度机器学习模型到科学计算中，从而革新科学与工程实践。若干软件套件已涌现，以使研究与工业界能实现和使用这些架构。在此我们介绍基于 Tensorflow 2.x 构建的 TensorDiffEq，其提供了直观的类 Keras 接口，用于问题域定义、模型定义，以及使用物理感知深度学习方法求解正问题与逆问题。TensorDiffEq 充分利用 Tensorflow 2.x 基础设施部署于多 GPU 上，允许实现大型高维复杂模型。同时，TensorDiffEq 支持 Keras API 以进行自定义神经网络架构定义。对于较小或较简单模型，该包允许在较小规模 CPU 平台上以对实现脚本几乎无改动的方式快速部署。我们展示了 TensorDiffEq 在求解不同规模与复杂度正问题、逆问题和数据同化问题中的基本用法与能力。源代码可在 https://github.com/tensordiffeq 获取。
引用
@article{arxiv.2103.16034,
title = {TensorDiffEq: Scalable Multi-GPU Forward and Inverse Solvers for Physics Informed Neural Networks},
author = {Levi D. McClenny and Mulugeta A. Haile and Ulisses M. Braga-Neto},
journal= {arXiv preprint arXiv:2103.16034},
year = {2021}
}
备注
Source Code: https://github.com/tensordiffeq/TensorDiffEq, Documentation: https://docs.tensordiffeq.io