首页/文章/ 详情

我就不明白了,PINN到底好在哪里了?

2小时前浏览8

 


找到了19年的这篇PINN最开始的原创论文,现在的引用量已经突破了一万。


 


PINN最吸引人眼球的也就是物理知情(physics-informed)。


翻看论文,最核心的是两个公式:


 


其中f的定义为:


 


f中涉及到一个非线性算符,对于一维的Burgers方程,定义为:


 


其实说穿了,PINN还是原来的监督学习。也需要把数值模拟的数据(边界值、初始值和计算域的数据)导入,作为训练样本。最终使得MSE(平均方差)最小。


至于非线性算符实际上就是把隐藏层的数据和真实的输入数据做一个联系,目的就是更好的得到最接近输入数据的输出数据


非线性算符的定义式,在1D的Burgers方程中,用到了空间导数和时间导数,在最后的约束条件中又用到了MSE最小化。


因此,笔者看来,其实PINN就是通过一系列的限制措施,使得输出的数据能够更好地符合输入的数据。至于,空间倒数和时间导数,本质上还是数学,只是应用在了物理的场景。


没有涉及到偏微分方程或者任何的物理定律。


PINN的可解释性有限,本质上还是数据科学和统计那一套。


那么,关键的问题来了:PINN有没有用呢?


用处还是很大的。


但前提是:


1. 数据的量要足够大,而且需要足够精确;


2. 数据本身所引起的约束条件需要能够被高效的求解(如论非线性是强还是弱)。


PINN要能够被大量应用,要满足的条件,大致有(包括且不限于):


1. 强大的算力和大数据处理平台;


2. 工业和基础科研数据库(存储数值模拟和实验的数据);


3. 先进的优化算法;


PINN技术成熟后能做的应用:


1. 迭代优化现有的工程设计(优化速度会呈现数量级提升);


2. 基础科研的公式(控制方程)和工程应用的经验公式的快速生成;


3. 其他的满足应用场景需求的功能实现(例如,空调中,根据环境温度、光照、湿度、不同人群的体质,优化出合适的制冷、制热、通风的相关参数等等)


来源:STEM与计算机方法
非线性自动驾驶数字孪生控制人工智能
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2024-11-03
最近编辑:2小时前
江野
博士 等春风得意,等时间嘉许。
获赞 46粉丝 43文章 306课程 0
点赞
收藏
作者推荐

支持量子计算的硬件可否运行力学仿真的模型呢?

点击上方蓝字了解更多计算力学领域前沿研究笔者最近在网上看到了很多相关的量子计算和计算力学结合的研究: 相关研究各位可以在网上找到,出现这种“一切皆可量子计算”的趋势,一方面量子计算在处理大量数据的计算方面确实具有优势,另一方面可能也是学术界和产业界对量子计算技术的追捧。根据笔者的初步了解,当前的量子计算研究集中在CFD领域,很少有和固体力学、分子动力学、流固耦合仿真的结合。因此,笔者这篇文章将重点围绕量子计算在计算力学领域应用的可能性以及相比传统的并行计算的优势。什么是量子计算?量子计算利用量子比特(qubits)来处理信息,能够在某些特定问题上显著提升计算能力。量子计算机的潜力来自于量子态的独特性质:叠加、纠缠和量子并行性。量子叠加是指一个量子系统可以同时处于多个状态的叠加态。这是量子计算的基础特性之一,与经典计算机中比特只能处于0或1两种状态不同,量子比特(qubit)可以同时处于0态、1态及其线性组合的状态。量子纠缠是一种量子态之间的特殊关联性。当两个或多个量子比特纠缠在一起时,它们的状态会紧密联系在一起,无论它们之间的距离多远。量子纠缠的特点是,如果你对一个量子比特进行测量,它的状态会立即决定另一个纠缠量子比特的状态。量子纠缠的核心在于,纠缠的量子比特在逻辑上并不独立,操作一个比特会直接影响纠缠比特的状态。这种现象在经典物理中是不存在的。量子并行性是指量子计算机能够通过量子叠加的特性,在同一时间内并行处理多个计算路径。这种并行性并不是像经典计算那样将任务分配给多个处理器,而是通过量子比特的叠加态,使得一个量子处理器可以同时探索多个解空间。在经典计算中,一个处理器一次只能执行一个计算步骤,而量子计算通过量子叠加,使得一个量子算法在某些特定问题(例如搜索、因数分解等)中可以同时处理大量状态的组合,进而显著加速计算过程。举个例子,考虑一个n比特的问题,如果使用经典计算,必须依次尝试所有2^n个可能的解,而量子计算通过叠加态可以在同一个量子电路中并行地操作所有这些状态。不过,量子并行性不能直接给出问题的解,因为量子测量会使叠加态坍缩为某个确定的经典状态(0或1)。为此,量子算法需要设计得当,利用量子干涉的原理,通过构造性干涉强化正确解的概率,并通过破坏性干涉削弱错误解的概率,从而在测量时获得高概率的正确解。计算固体力学和计算流体力学的区别总的来说,固体力学和流体力学的控制方程来源于不同的物理规律:固体力学侧重于应力-应变关系,流体力学侧重于动量、质量和能量守恒。在数值计算方法上,固体力学主要使用有限元法,而流体力学使用有限体积法较多。在求解形式上,固体力学问题多为静态或准静态问题,而流体力学问题多为动态、瞬态问题,尤其涉及复杂的流动模式如湍流和多物理场耦合。但需要注意,固体力学中大多数问题,比如弹性、塑性、断裂力学等,涉及相对规则的几何结构和材料属性。这些问题通常可以通过经典计算方法(如有限元法、边界元法等)得到高效处理。当前的量子计算技术优势更多体现在处理非线性和非规则系统上,因此固体力学领域的需求可能相对较低。而流体力学中的问题常常涉及大量的变量,如速度场、压力场、温度场等,尤其在湍流和复杂几何体的模拟中,维度的增加会导致计算复杂度急剧上升。传统数值方法在处理这些高维问题时,计算资源和时间需求都会快速增加。量子计算在CFD中的优势量子计算基于量子叠加原理,可以同时表示和处理多个状态。因此,它在理论上能够在指数级维度上进行并行计算,潜在地更高效地解决CFD中的多变量问题。量子算法可以加速求解特定类型的偏微分方程(PDE),如Navier-Stokes方程。相比之下,经典的数值方法需要大量的计算时间和迭代过程,尤其在高分辨率模拟中,GPU集群虽然能并行化计算,但仍然受限于硬件能力。量子计算的并行性不是通过任务划分实现的,而是通过量子位的叠加和量子纠缠,这种机制使得量子计算能够在理论上实现指数级别的并行处理,从而大幅度缩短解决复杂问题的时间。量子计算可以通过量子傅里叶变换等算法来加速矩阵运算。量子计算的多尺度模拟能力和处理复杂性方面的潜力可以帮助更有效地处理这些大规模、多尺度问题。量子算法能够高效地表示和模拟多个尺度上的相互作用,从而有可能更快速地模拟湍流等复杂现象。量子计算在固体力学量子力学在固体力学中的应用相对较少,但有一些领域开始逐渐受到关注,特别是在微观尺度下的材料特性分析和复杂物理现象的模拟方面。相比于传统的数值计算方法,特别是多GPU计算,量子计算在固体力学中的潜在优势主要体现在其处理复杂性、量子效应和材料的微观结构方面。然而,当前量子计算技术尚不成熟,因此在固体力学中的实际优势仍然主要是理论层面的。下面将详细探讨两者的对比和潜在优势。固体力学涉及材料的微观结构和原子层面的相互作用,尤其在纳米尺度或极端条件下,量子效应变得显著。例如,晶体缺陷、界面现象、原子级别的应力与应变等问题,传统的连续体力学模型难以描述这些现象。基于量子力学的第一性原理计算(如密度泛函理论,DFT)可以精确描述材料的电子结构、能带结构、以及材料的量子力学行为。量子计算可以更有效地处理这些基于量子力学的复杂计算,特别是对多体系统的模拟,可以在处理分子动力学和晶格缺陷等问题上有潜在优势。复杂材料的行为,如断裂力学中的裂纹扩展、塑性形变和局部应力集中现象,在经典计算中往往需要复杂的本构模型和数值模拟,这些模型依赖大量的近似和经验参数。量子计算可以通过量子模拟或基于量子力学的算法直接求解材料的微观结构行为,从而避免传统数值计算中的近似模型。例如,在纳米材料中,量子效应的显著性可能导致经典模型失效,而量子计算可以直接模拟这些材料在原子尺度下的行为,提升计算精度。此外,在固体力学的多尺度模拟中,通常需要跨越从原子级别到宏观结构的多个尺度。传统数值计算方法需要通过多层次迭代和优化来求解,这对计算资源要求非常高。量子计算理论上可以通过其并行处理能力更快地解决多尺度问题,尤其是对于那些涉及复杂耦合和非线性相互作用的问题,如在晶体缺陷或裂纹扩展中存在的局部量子效应。与多GPU并行计算相比,量子计算在理论上可以以指数级的速度同时处理多个量子态,从而有潜力在特定类型的多尺度问题上显著加速求解。固体力学中的一些复杂几何和拓扑问题(如位错、晶界、缺陷态等)通常涉及高维的几何和物理结构描述,这对传统数值计算方法带来巨大挑战,尤其是在计算复杂材料的应力应变分布时。总结具体看来,有一下具体的应用:数据驱动力学方面:流场预测,AI预测分子动力学等会产生大量数据的高维问题。湍流建模和大涡仿真:高度非线性问题多尺度大规模问题:大量原子分子,大量的离散网格等大量数据的高效处理 计算机技术在科学&技术&工程&数学中得到了广泛的应用,力学方面,计算机技术成为了科学的第四次革命性技术,现在基于计算机的数据科学已经逐步成为力学等其他科学发现的第四范式。人工智能、大数据、数字孪生等概念已经逐步成为当今时代的主题。智能制造、智能算法、数据驱动力学、大语言模型、自动驾驶在当今社会展现出巨大潜力,吸引了大量的研究人员。同时高性能显卡和多核中央处理器的出现为大规模数值模型的高性能计算提供了强大算力。 来源:STEM与计算机方法

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习 福利任务 兑换礼品
下载APP
联系我们
帮助与反馈