物理信息驱动深度学习相关报告总结

物理信息驱动深度学习相关报告

  • 内嵌物理的深度学习,机器之心。

    • 报告人:麻省理工学院陆路老师。
    • 报告内容:本次分享将回顾将物理知识嵌入机器学习的一些趋势,介绍当前的一些常用方法,包括内嵌物理的神经网络(physics-informed neural networks,PINNs)、多保真度神经网络(nulti-fidelity neural networks)和深度算子网络(DeepONet),同时还将讨论这些方法在求解物理和工程问题上的一些应用,特别是在反问题求解上的应用。
    • PPT:https://lululxvi.github.io/files/talks/2021Synced.pdf
  • A Short Introduction to Physics InformedNeural Networks (PINNs),b站。

    • 报告人:李军博士,谢毅博士,殷会敏博士,刘旭博士。
  • 气动优化设计中的可解释可迁移机器学习研究,WS-FTNCFD-2022。报告人:清华大学李润泽博士。

  • leaning operators using deep neural networks for diverse application,哔哩哔哩。

    • 报告人:麻省理工学院陆路老师。
    • 该报告主要介绍了陆路老师关于deeponet相关工作。

你可能感兴趣的:(物理驱动的深度学习专栏,深度学习,人工智能,机器学习)