00:00 / 00:42
连播
清屏
智能
倍速
点赞49
B-PL-PINN,刷新PDE求解精度上限碾压集成方法! 贝叶斯结合PINN,绝对是近几年AI与科学计算交叉的黄金方向,自2020年首篇B-PINN论文发表以来,这个研究方向就频繁在顶会顶刊上被录用。这篇由格拉茨技术大学联合其他公司机构,提出的贝叶斯伪标签物理信息神经网络B-PL-PINN,为物理信息神经网络训练稳定性研究提供新路径,成功破解传统PINNs在正问题求解中 “信息传播受阻”“训练收敛困难” 的核心痛点,成为偏微分方程数值求解领域的重要突破方向。从现有的研究角度来看,PINNs凭借融合物理规律的特性适配各类PDEs求解场景,但正问题训练中损失函数地形特殊,易导致初始条件、边界条件的信息难以向计算域内部传播;传统集成方法虽能缓解该问题,却存在计算冗余且缺乏严格数学支撑。而 B-PL-PINN 通过贝叶斯框架替代集成模型,以后验方差阈值替代集成一致性判断,在反应、扩散、对流等四类基准PDEs系统中,不仅将相对L₂误差控制在5%以内,还通过自适应训练域扩展机制,在与Adam+LBFGS优化的集成方法竞争中展现出更优的数学严谨性,为PINNs训练稳定性优化提供新范式。对于也想在贝叶斯+PINN这个方向钻研发文的朋友,没有思路也推荐可以看看,MCMC采样效率提升、高维PDEs场景适配、与自适应配点采样方法的融合等方向,都有很大的研究空间 #贝叶斯 #PINN #PINNs #顶会论文 #sci论文
00:00 / 01:28
连播
清屏
智能
倍速
点赞23
贝叶斯结合PINN,刷新PDE求解精度上限碾压集成方法! 贝叶斯结合PINN,绝对是近几年AI与科学计算交叉的黄金方向,自2020年首篇B-PINN论文发表以来,这个研究方向就频繁在顶会顶刊上被录用。这篇由格拉茨技术大学联合其他公司机构,提出的贝叶斯伪标签物理信息神经网络B-PL-PINN,为物理信息神经网络训练稳定性研究提供新路径,成功破解传统PINNs在正问题求解中 “信息传播受阻”“训练收敛困难” 的核心痛点,成为偏微分方程数值求解领域的重要突破方向。从现有的研究角度来看,PINNs凭借融合物理规律的特性适配各类PDEs求解场景,但正问题训练中损失函数地形特殊,易导致初始条件、边界条件的信息难以向计算域内部传播;传统集成方法虽能缓解该问题,却存在计算冗余且缺乏严格数学支撑。而 B-PL-PINN 通过贝叶斯框架替代集成模型,以后验方差阈值替代集成一致性判断,在反应、扩散、对流等四类基准PDEs系统中,不仅将相对L₂误差控制在5%以内,还通过自适应训练域扩展机制,在与Adam+LBFGS优化的集成方法竞争中展现出更优的数学严谨性,为PINNs训练稳定性优化提供新范式。对于也想在贝叶斯+PINN这个方向钻研发文的朋友,没有思路也推荐可以看看,MCMC采样效率提升、高维PDEs场景适配、与自适应配点采样方法的融合等方向,都有很大的研究空间。 #贝叶斯 #PINN #PINNs #顶会论文 #sci论文
00:00 / 01:28
连播
清屏
智能
倍速
点赞24
00:00 / 01:24
连播
清屏
智能
倍速
点赞74
00:00 / 00:41
连播
清屏
智能
倍速
点赞NaN
00:00 / 00:52
连播
清屏
智能
倍速
点赞NaN
AI-Signal4天前
深度学习模拟狭窄血管中的脉动血流 这期展示一个更接近工程仿真的 AI 流体场景:二维狭窄血管中的脉动血流模拟。#深度学习 #湍流 #血管堵塞 #熬夜的危害 #教学演示 要求解的问题是:给定血管几何、入口脉动速度和边界条件,预测血管内部每个位置、每个时间相位上的流场分布。模型输入为空间坐标 x、y和心动周期内的时间相位 t,并额外使用 sin(2πt)、cos(2πt)表示周期性脉动。 模型输出为: u(x,y,t):沿血管长度方向的速度分量 v(x,y,t):血管横向速度分量 p(x,y,t):相对压力 / 表压 也就是说,它不是只预测一个流量或一个速度,而是在求解整个二维区域内的速度场和压力场。视频里的速度云图通常由 |U| = sqrt(u²+v²) 计算得到。 本例参数设置:血管长度约 60 mm,正常半径约 2 mm,最大狭窄率约 60%;血液密度 ρ = 1060 kg/m³,动力黏度 μ = 0.0035 Pa·s;入口峰值速度 Umax = 0.25 m/s,脉动频率 f = 1.2 Hz,约等于 72 次/分钟心率。 边界条件方面,本例将血管壁近似为刚性静止壁面,采用无滑移速度边界:壁面处切向速度和法向速度均为 0,即 u = v = 0。出口采用参考压力边界,令出口表压 p = 0,这里的 0 不是实际血压为 0,而是把出口作为压力基准,用于描述相对压降。 随着训练进行,狭窄喉部逐渐形成高速区,狭窄后方出现低速/回流区域,壁面附近也出现更明显的速度梯度。 本视频用于科普 PINN / AI 流场代理模型和血流动力学可视化思想,不代表临床诊断,也不是完整医学级 CFD 仿真。
00:00 / 00:50
连播
清屏
智能
倍速
点赞809
Nature力荐,物理信息神经网络(PINN),轻松拿下顶会 物理信息神经网络(PINN) 是一种深度融合物理机理与数据驱动的新型建模范式核心操作就是把控制方程,像偏微分方程 PDEs,作为软约束塞进神经网络的损失函数里,这样就能高效求解和预测复杂物理系统啦。 PINN 利用自动微分技术,轻松搞定物理方程在空间和时间上的导数计算,完美避开传统数值方法依赖网格离散的麻烦。在热传导方程、纳维 - 斯托克斯方程、波动方程这些复杂系统的求解上,PINN 优势尽显。而且它已经在流体力学湍流模拟、材料应力场重构、生物医学组织建模等跨学科领域大显身手。 PINN 的竞争力体现在多个突破点。微分算子的无网格特性,让高维参数空间探索效率直线上升;通过物理约束的正则化,有限数据下模型泛化能力也能大幅提升,成功攻克传统反问题中的不适定性难题;还有它那超灵活的多目标损失函数架构,能轻松融合多源异构信息进行建模。 作为机理模型和数据科学融合的典范,PINN 为复杂系统建模搭起统一框架,在材料多尺度模拟、地质参数反演、量子系统演化预测等前沿领域,研究价值巨大。更厉害的是,当 PINN 和迁移学习、强化学习联手,说不定能开启智能科学计算的全新范式! 为了帮助大家找到顶会idea,小羊总结整理了PINN相关的26篇顶会顶刊的研究成果,方便各位复现。#人工智能 #神经网络 #物理信息神经网络 #深度学习 #计算机视觉
00:00 / 01:03
连播
清屏
智能
倍速
点赞60
00:00 / 00:35
连播
清屏
智能
倍速
点赞NaN