PINNs文章框架和简单思路介绍

原文Physics Informed Deep Learning

1 inference数值解

1.1连续时间模型 Shrödinger Equation


上式分为三个部分,原方程f,初始条件0 和 边界条件b

1.2离散时间模型 Allen-Cahn Equation

2 identification发现原方程

2.1连续时间模型 Navier-Stokes Equation
2.2离散时间模型 Korteweg–de Vries Equation

3 附录

Burgers’ Equation:


上式分为三个部分,原方程f,初边值条件u (初始条件0 和 边界条件b)
M S E=M S E_{u}+M S E_{f}\\ M S E_{u}=\frac{1}{N_{u}} \sum_{i=1}^{N_{u}}\left|u\left(t_{u}^{i}, x_{u}^{i}\right)-u^{i}\right|^{2}\\ M S E_{f}=\frac{1}{N_{f}} \sum_{i=1}^{N_{f}}\left|f\left(t_{f}^{i}, x_{f}^{i}\right)\right|^{2}
这里作者将初边值写在一起,原文这样叙述:Here, denote the initial and boundary training data on .
这里作者将初边值写在一起我认为是由于
M S E_{u}=M S E_{0}+M S E_{b}\\M S E_{0}=\frac{1}{N_{0}} \sum_{i=1}^{N_{0}}\left|u\left(0, x_{0}^{i}\right)-u_{0}^{i}\right|^{2}\\ M S E_{b}=\frac{1}{N_{b}} \sum_{i=1}^{N_{b}}(\left|u\left(t_{b}^{i}, 1\right)-u_{b}^{i}\right|^{2}+\left|u\left(t_{b}^{i}, -1\right)-u_{b}^{i}\right|^{2})
所以
M S E_{u}=M S E_{0}+M S E_{b}\\ =\frac{1}{N_{u}} \sum_{i=1}^{N_{u}}(\left| u\left(0, x_{0}^{i}\right)-u_{0}^{i}+ \right|^{2}+\left|u\left(t_{b}^{i}, 1\right)-u_{b}^{i}\right|^{2}+\left|u\left(t_{b}^{i}, -1\right)-u_{b}^{i}\right|^{2})\\ =\frac{1}{N_{u}} \sum_{i=1}^{N_{u}}\left|u\left(t_{u}^{i}, x_{u}^{i}\right)-u^{i}\right|^{2}

最后用梯度下降(或者其他方法)训练使得MES最小。

(这里注意:梯度下降不是训练你的数据,而是去训练参数(wi,bi)。原始数据只是用来构造上述MSE的表达式,只用这一次。这些原始样本点是一次性全部带入的,并且只带入一次,用于构造MSE,不参与训练过程。)
————
全部代码数据

你可能感兴趣的:(PINNs文章框架和简单思路介绍)