基于迁移学习的多保真度物理信息深度神经网络
机器学习
2021-02-03 v2 计算物理
机器学习
摘要
对于科学与工程中的许多系统,其控制微分方程要么未知要么仅在近似意义上已知。此类系统的分析与设计由从现场和/或实验室实验收集的数据所支配。当数据收集昂贵且耗时,这一挑战性情形进一步恶化。为解决该问题,本文提出一种新颖的多保真度物理信息深度神经网络(MF-PIDNN)。所提框架尤其适用于问题的物理在近似意义上已知(低保真度物理)且仅有少量高保真度数据可用的情形。MF-PIDNN 利用迁移学习的概念融合物理信息与数据驱动的深度学习技术。首先使用近似控制方程训练低保真度物理信息深度神经网络。随后进行迁移学习,利用可用高保真度数据更新低保真度模型。MF-PIDNN 能够从不{\it 近似}控制微分方程中编码关于问题物理的有用信息,从而即使在无数据区域也能提供准确预测。此外,训练该模型无需低保真度数据。MF-PIDNN 的适用性与效用在求解四个基准可靠性分析问题中得以说明。还给出了阐明所提方法有趣特征的案例研究。
引用
@article{arxiv.2005.10614,
title = {Transfer learning based multi-fidelity physics informed deep neural network},
author = {Souvik Chakraborty},
journal= {arXiv preprint arXiv:2005.10614},
year = {2021}
}