Physics Informed Deep Learning

Deskripsi

Jaringan Saraf Tiruan yang Diinformasikan Fisika (PINNs) mewakili pendekatan terobosan untuk memecahkan masalah pembelajaran terawasi, terutama yang diatur oleh persamaan diferensial parsial (PDE) nonlinier. Kerangka kerja ini mengintegrasikan hukum fisika langsung ke dalam proses pelatihan jaringan saraf, memungkinkan solusi berbasis data dan penemuan PDE yang mendasarinya.

PINNs bekerja dengan mengaproksimasi solusi PDE menggunakan jaringan saraf dalam. Inovasi utamanya terletak pada pendefinisian fungsi kerugian yang tidak hanya mencakup perbedaan antara prediksi jaringan dan data yang diamati (jika tersedia) tetapi juga suku yang menghukum pelanggaran PDE itu sendiri. Hal ini dicapai melalui diferensiasi otomatis, di mana keluaran jaringan dibedakan terhadap masukannya (misalnya, waktu dan koordinat spasial) untuk menghitung suku-suku PDE. Dengan meminimalkan kerugian gabungan ini, jaringan dilatih untuk memenuhi baik data maupun batasan fisik.

Kerangka kerja ini mendukung dua kelas masalah utama: solusi berbasis data dan penemuan PDE berbasis data. Untuk memecahkan PDE, PINNs dapat menyimpulkan solusi bahkan dengan data yang jarang dengan memanfaatkan struktur PDE. Untuk penemuan, mereka dapat mengidentifikasi parameter PDE yang tidak diketahui dari data yang diamati. Dua pendekatan algoritmik yang berbeda disajikan: model waktu kontinu, yang menggunakan titik kolokasi di seluruh domain spatio-temporal untuk menegakkan batasan PDE, dan model waktu diskrit, yang memanfaatkan skema langkah waktu klasik seperti metode Runge-Kutta untuk membangun representasi jaringan saraf yang lebih terstruktur, berpotensi mengurangi kebutuhan akan titik kolokasi yang ekstensif dalam dimensi yang lebih tinggi.

Contoh yang diberikan mencakup pemecahan dan penemuan parameter untuk persamaan Burgers, persamaan Schrödinger, persamaan Navier-Stokes, persamaan Allen-Cahn, dan persamaan Korteweg-de Vries (KdV). Contoh-contoh ini menunjukkan keserbagunaan PINNs dalam menangani berbagai jenis nonlinieritas, kondisi batas (termasuk solusi periodik dan bernilai kompleks), dan turunan tingkat tinggi. Kemampuan untuk memulihkan parameter PDE yang tidak diketahui dari data terbatas merupakan kemajuan signifikan untuk penemuan ilmiah dan aplikasi rekayasa.

Target audiens untuk PINNs mencakup peneliti, insinyur, dan ilmuwan data yang bekerja dengan sistem fisik, dinamika fluida, ilmu material, dan domain apa pun di mana persamaan diferensial memainkan peran penting. Proposisi nilai terletak pada kemampuannya untuk memberikan solusi yang akurat dengan lebih sedikit data, menemukan persamaan yang mengatur, dan membuat model pengganti yang dapat dibedakan yang dapat dianalisis dan dioptimalkan lebih lanjut.

Sorotan Physics Informed Deep Learning

• Jaringan saraf yang diinformasikan fisika untuk solusi PDE

• Penemuan persamaan diferensial parsial berbasis data

• Model waktu kontinu untuk penegakan PDE

• Model waktu diskrit memanfaatkan skema Runge-Kutta

• Diferensiasi otomatis untuk kepatuhan batasan PDE

• Menangani persamaan diferensial parsial nonlinier

• Mendukung berbagai kondisi batas (Dirichlet, periodik)

• Dapat menyimpulkan parameter PDE yang tidak diketahui

• Model pengganti yang dapat dibedakan

• Berlaku untuk dinamika fluida, fenomena gelombang, dan sistem reaksi-difusi

• Kode dan dataset tersedia untuk umum

• Dilatih pada GPU untuk efisiensi

Memulai dengan Physics Informed Deep Learning

1. 1

   Definisikan PDE: Rumuskan persamaan diferensial parsial yang mengatur sistem.

2. 2

   Aproksimasi solusi: Representasikan solusi yang tidak diketahui menggunakan jaringan saraf dalam.

3. 3

   Konstruksi fungsi kerugian: Gabungkan kerugian kesetiaan data dengan kerugian residu PDE.

4. 4

   Latih jaringan: Minimalkan fungsi kerugian menggunakan algoritma optimasi (misalnya, backpropagation).

5. 5

   Validasi hasil: Bandingkan prediksi jaringan dengan solusi yang diketahui atau data eksperimental.

6. 6

   Terapkan untuk penemuan: Gunakan data yang diamati untuk menyimpulkan parameter PDE yang tidak diketahui.

Kasus Penggunaan Physics Informed Deep Learning

• Memecahkan PDE
• Menemukan PDE
• Pemodelan Dinamika Fluida
• Analisis Perambatan Gelombang
• Simulasi Ilmu Material
• Pemodelan Mekanika Kuantum
• Pengganti yang Dapat Dibedakan
• Masalah Terbalik

FAQ dari Physics Informed Deep Learning

• Apa itu Jaringan Saraf Tiruan yang Diinformasikan Fisika (PINNs)?

  PINNs adalah jaringan saraf yang dilatih untuk memecahkan tugas pembelajaran terawasi sambil mematuhi hukum fisika yang dijelaskan oleh persamaan diferensial parsial (PDE).

• Bagaimana PINNs menegakkan hukum fisika?

  PINNs menegakkan hukum fisika dengan memasukkan suku dalam fungsi kerugiannya yang menghukum pelanggaran PDE yang mengatur, yang dihitung melalui diferensiasi otomatis.

• Jenis masalah apa yang dapat dipecahkan oleh PINNs?

  PINNs dapat memecahkan masalah yang berkaitan dengan solusi berbasis data dari PDE dan penemuan PDE berbasis data, termasuk masalah maju dan terbalik.

• Apa keuntungan menggunakan PINNs dibandingkan metode numerik tradisional?

  PINNs dapat menyediakan model pengganti yang dapat dibedakan, menangani data yang jarang dengan lebih efektif, dan mampu menemukan hukum dan parameter fisika yang tidak diketahui.

• Bisakah PINNs menangani PDE nonlinier?

  Ya, PINNs dirancang untuk menangani persamaan diferensial parsial nonlinier umum.

• Apa itu model waktu kontinu dan waktu diskrit dalam PINNs?

  Model waktu kontinu menggunakan titik kolokasi di seluruh domain untuk menegakkan PDE, sementara model waktu diskrit memanfaatkan skema langkah waktu untuk representasi terstruktur.

• Apakah kode dan data untuk PINNs tersedia untuk umum?

  Ya, teks menyebutkan bahwa semua kode dan dataset yang digunakan dalam penelitian tersedia untuk umum di GitHub.

• Jenis PDE apa yang telah didemonstrasikan dengan PINNs?

  PDE yang didemonstrasikan meliputi persamaan Burgers, persamaan Schrödinger, persamaan Navier-Stokes, persamaan Allen-Cahn, dan persamaan Korteweg-de Vries (KdV).

• Bisakah PINNs digunakan untuk menemukan parameter yang tidak diketahui dalam PDE?

  Ya, kemampuan utama PINNs adalah penemuan berbasis data parameter dalam persamaan diferensial parsial nonlinier.

• Apa peran diferensiasi otomatis dalam PINNs?

  Diferensiasi otomatis sangat penting untuk menghitung turunan keluaran jaringan saraf terhadap masukannya, memungkinkan perhitungan residu PDE.

• Apa manfaat menggunakan PINNs untuk penemuan ilmiah?

  PINNs memfasilitasi penemuan persamaan yang mengatur dan parameternya dari data observasi, menjembatani kesenjangan antara data dan pemahaman fisik.

• Seberapa efisien PINNs dalam hal waktu pelatihan?

  Teks memberikan contoh di mana pelatihan model memakan waktu sekitar 60 detik pada satu kartu GPU NVIDIA Titan X untuk persamaan Burgers.