详细内容或原文请订阅后点击阅览
逆PDE问题的物理信息神经网络
使用DEEPXDE求解热方程。针对PDE逆问题的物理学后的神经网络首先出现在数据科学方面。
来源:走向数据科学物理知识的神经网络（PINN）感觉很像给常规的神经网络备忘单。没有备忘单，我们只能使用神经网络估算物理系统的解决方案。位置（x）和时间（t）作为输入，温度（u）作为输出。有了足够的数据，该解决方案将有效。但是，它不利用我们对系统的了解。我们希望温度遵循热方程的动态，我们还希望将其纳入我们的神经网络。
（x） （t） （u）PINNS提供了一种将有关系统和神经网络估计的已知物理学结合的方法。这是通过使用自动分化和基于物理的损失功能来巧妙地实现的。结果，我们可以通过更少的数据获得更好的结果。
议程
- 使用温度数据码A解释热方程，以模拟数据解决方案，用于热扩散率κ和热源Q（x，t），使用deepxdeexplain PDE理论中的正向和反问题之间的差异
这是我们将要使用的数据。让我们假装我们使用传感器在5秒内收集1米杆的温度。
简而言之，Pinns通过使用基础系统的数据和我们的物理方程来近似物理方程（ODES，PDES，SDE）的新方法。