XiaoMi-AI文件搜索系统
World File Search SystemPINN
弗吉尼亚大学议程Pinn Hall会议中心
Nate Remlinger在再生医学领域拥有近20年的经验，在产品开发，过程工程以及转化临床前和临床研究方面拥有广泛的知识。Nate获得了博士学位。在匹兹堡大学的生物工程中，他在麦高万再生医学研究所研究了组织脱落和加工技术。他曾在Acell和Integra Lifesciences的医疗设备行业中担任各种研发领导角色，Nate指示设计和开发创新的产品以及用于伤口护理，常规手术和心血管临床应用的创新产品和过程。NATE目前领导着Pinnacle移植技术的研发团队，他负责科学研究，产品开发和过程改进的各个方面，包括产品管道内的识别，管理和执行，其目标是提供最优质的基于组织的植入物。
PiNN：用于构建分子和材料原子神经网络的 Python 库
摘要：原子神经网络 (ANN) 是一类机器学习方法，用于预测分子和材料的势能面和物理化学性质。尽管取得了许多成功，但开发可解释的 ANN 架构并有效实施现有架构仍然具有挑战性。这需要可靠、通用且开源代码。在这里，我们介绍了一个名为 PiNN 的 Python 库作为实现这一目标的解决方案。在 PiNN 中，我们设计了一种新的可解释且高性能的图卷积神经网络变体 PiNet，并实现了已建立的 Behler-Parrinello 神经网络。使用分离的小分子、结晶材料、液态水和水性碱性电解质的数据集测试了这些实现。PiNN 附带一个名为 PiNNBoard 的可视化工具，用于提取 ANN“学习”到的化学见解。它提供分析应力张量计算，并与原子模拟环境和阿姆斯特丹建模套件的开发版本接口。此外，PiNN 是高度模块化的，这使得它不仅可以用作独立软件包，还可以用作开发和实现新型 ANN 的工具链。代码在宽松的 BSD 许可下分发，可在 https://github.com/Teoroo-CMC/PiNN/ 免费访问，其中包含完整的文档和教程。■ 简介计算化学的主要任务之一是将分子或材料的结构映射到其属性，即 f : { x ⃗ i , Z i } → P 。当 P 是总能量时，任务就是设计计算方法来找到薛定谔方程的近似解，正如狄拉克在 1929 年的解释 1 中所预见的那样，也是一代又一代计算和理论化学家一直致力于研究的那样。更具挑战性的是做逆向 f : P → { x ⃗ i , Z i }，也就是说，提出具有特定价值属性的新结构。为了应对这些挑战，机器学习 (ML) 在计算化学和材料发现领域引起了相当大的关注和努力，2 - 4 并且许多不同类型的 ML 方法已成功应用于这些领域。在本文中，我们将重点介绍原子神经网络 (ANN)，它在预测物理化学性质、近似势能面 (PES)、5、6 方面非常成功
论量子计算机的物理信息神经网络
物理信息神经网络 (PINN) 已成为解决科学计算问题的强大工具，从偏微分方程的求解到数据同化任务。使用 PINN 的优势之一是利用依赖于 CPU 和协处理器（如加速器）组合使用的机器学习计算框架来实现最大性能。这项工作使用量子处理单元 (QPU) 协处理器研究 PINN 的设计、实现和性能。我们设计了一个简单的量子 PINN，使用连续变量 (CV) 量子计算框架来解决一维泊松问题。我们讨论了不同的优化器、PINN 残差公式和量子神经网络深度对量子 PINN 精度的影响。我们表明，在量子 PINN 的情况下，优化器对训练景观的探索不如经典 PINN 有效，而基本随机梯度下降 (SGD) 优化器的表现优于自适应和高阶优化器。最后，我们重点介绍了量子和经典 PINN 在方法和算法上的差异，并概述了量子 PINN 开发的未来研究挑战。
具有物理信息神经网络的时间相关狄拉克方程：计算和性质
本文研究使用物理信息神经网络 (PINN) 计算时间相关的狄拉克方程，PINN 是科学机器学习中一个强大的新工具，它避免了使用微分算子的近似导数。PINN 以参数化（深度）神经网络的形式搜索解，其导数（时间和空间）由自动微分实现。计算成本的增加源于需要使用随机梯度法求解高维优化问题，并在训练网络中使用大量类似于标准偏微分方程求解器离散化点的点。具体而言，我们推导了一种基于 PINN 的算法，并展示了其应用于不同物理框架下的狄拉克方程时的一些关键基本性质。
布洛赫方程使物理信息神经网络成为可能......
摘要 — 磁共振成像 (MRI) 是临床诊断中一种重要的非侵入性成像方法。除了常见的图像结构之外，参数成像还可以提供内在的组织特性，因此可用于定量评估。新兴的深度学习方法提供了快速准确的参数估计，但仍然缺乏网络解释和足够的训练数据。即使有大量的训练数据，训练数据和目标数据之间的不匹配也可能导致错误。在这里，我们提出了一种仅依赖于目标扫描数据而不需要预定义训练数据库的方法。我们提供了一个概念验证，将 MRI 的物理规则 Bloch 方程嵌入到物理信息神经网络 (PINN) 的损失中。PINN 能够学习 Bloch 方程，估计 T2 参数，并生成一系列物理合成数据。在幻像和心脏成像上进行了实验结果，以证明其在定量 MRI 中的潜力。
14- Konferencija Fiztech-2024 ...
Mohamed Abdelkader Fawzy Abdelkader。从方程式到神经网络：物理信息神经网络（PINN）的应用到电化学传感器微阵列建模11:55
机器学习对梁柱的二阶分析 -
细长钢构件的二阶分析可能具有挑战性，尤其是在涉及大挠度的情况下。本文提出了一种基于机器学习的新型结构分析（MLSA）方法，用于对梁柱进行二阶分析，这可能是使用过度简化的分析方程或传统的有限元元素方法的普遍解决方案的有前途的替代方法。常规机器学习方法的有效性在很大程度上取决于所提供数据的定性和定量。但是，在结构工程实践中，这些数据通常很少且昂贵。要解决这个问题，采用了一种新的，可解释的基于机器学习的方法，名为“物理知识的神经网络”（PINN），在该方法中，将利用物理信息来定位学习过程，以创建一个自欺欺人的学习过程，从而可以自我培训，从而可以训练很少甚至没有预性数据集以实现准确的近似值。这项研究将Pinn方法扩展到了钢梁柱的二阶分析问题。给出了管理方程式的详细推导以及培训过程的基本物理信息。提供了Pinn框架和训练程序，其中采用了自适应减肥控制算法和转移学习技术以提高数值效率。可实用性和准确性通过四组验证示例验证。
电池状态估计的物理信息神经网络
摘要：锂离子电池的生命周期和降解机制的准确预测对于它们的优化，管理和安全性至关重要，同时预防潜在失败。然而，由于复杂和动态的细胞参数以及用法条件下的广泛变化，典型的状态估计是具有挑战性的。基于物理学的模型需要由于广泛的参数要求而导致的准确性和复杂性之间的权衡，而机器学习模型则需要大型培训数据集，并且在概括地看不见的情况时可能会失败。为了解决这个问题，本文旨在集成基于物理的电池模型和机器学习模型，以利用其各自的优势。这是通过应用称为物理信息的神经网络（PINN）的深度学习框架来实现的。通过整合FICK从单个粒子模型扩散定律的偏微分方程来预测锂离子细胞的电荷状态和健康状况。结果表明，PINN可以在0.014％至0.2％的范围内估计电荷状态，而健康状况的范围为1.1％至2.3％，即使培训数据有限。与常规方法相比，Pinn的复杂性不那么复杂，同时仍将物理定律纳入训练过程，从而产生了足够的预测，即使对于看不见的情况也是如此。
混合状态估计：将物理信息的神经网络与动态系统的自适应UKF整合
摘要：在本文中，我们通过将物理知识的神经网络（PINN）与自适应的无气味卡尔曼过滤器（UKF）相结合，提出了一种新型的动态系统估计方法。认识到传统状态估计方法的局限性，我们通过混合损失功能和蒙特卡洛辍学来完善Pinn结构，以增强不确定性估计。使用自适应噪声协方差机制增强了无味的卡尔曼滤波器，并将模型参数纳入状态矢量以提高适应性。我们通过将增强的PINN与UKF集成为无缝的状态预测管道，进一步验证了该混合动力框架，这表明准确性和鲁棒性有了显着提高。我们的实验结果表明，位置和速度跟踪的状态估计保真度明显增强，并通过贝叶斯推理和蒙特卡洛辍学的不确定性定量支持。我们进一步扩展了对双摆系统的模拟并进行了评估，并在四轮驱动器无人机上进行了状态估计。这种综合解决方案有望推进动态系统估计中的最新解决方案，从而在控制理论，机器学习和数值优化域中提供无与伦比的性能。
杂交量子古典物理信息信息信息，用于解决量子最佳控制问题
摘要 - 本文提出了一种集成的量子经典方法，该方法将量子计算动力学与经典计算方法合并，该方法量身定制，该方法是根据Pontryagin的最低原理（PINN）框架来解决基于Pontryagin的最低原理来解决问题的。通过利用结合高斯和非高斯大门的动态量子电路，该研究展示了一种创新的量子，以优化量子状态操作。提出的混合模型有效地应用了机器学习技术来解决最佳控制问题。通过设计和实现混合PINN网络来说明这一点，以在两个和三级系统中解决量子状态过渡问题，从而突出了其在各种量子计算应用程序中的潜力。索引术语 - Quantum神经网络，量子控制，物理信息信息网络，最佳控制