A-PINN: Вспомогательные физически информированные нейронные сети для прямых и обратных задач нелинейных интегро-дифференциальных уравнений
A-PINN: Auxiliary physics informed neural networks for forward and inverse problems of nonlinear integro-differential equations
2022-04-29
SCID: 54.1/jn5yqc9q
Discuss with AI
автоматическое дифференцированиевспомогательные физически информированные нейронные сетипрямые и обратные задачинелинейные уравнения Вольтеррынелинейные интегро-дифференциальные уравнения
Figures from the paper
Abstract (AI)
Физически информированные нейронные сети (PINN) представляют собой новую парадигму глубокого обучения, предназначенную для решения прямых и обратных задач, связанных с нелинейными дифференциальными уравнениями в частных производных (УЧП). Благодаря встраиванию физической информации, описываемой УЧП, в полносвязные нейронные сети PINN обучаются как суррогатные модели для приближённого решения УЧП без необходимости в размеченных данных. Благодаря высокой способности нейронных сетей описывать сложные взаимосвязи был разработан ряд методов на основе PINN для решения различных типов задач, включая УЧП целого порядка, дробные УЧП, стохастические УЧП и интегро-дифференциальные уравнения (ИДУ). Однако для современных методов PINN, применяемых к ИДУ, дискретизация интегралов является необходимым условием преобразования ИДУ в обыкновенные дифференциальные уравнения (ОДУ). Дискретизация интегралов неизбежно вносит в решение погрешности дискретизации и усечения. В данной работе предлагается вспомогательная физически информированная нейронная сеть (A-PINN) для решения прямых и обратных задач нелинейных ИДУ. Путём введения вспомогательных выходных переменных, представляющих интегралы в управляющем уравнении, и использования автоматического дифференцирования вспомогательного выхода для замены интегрального оператора предложенный подход A-PINN устраняет ограничение, обусловленное дискретизацией интегралов. В отличие от нейронной сети исходной PINN, которая аппроксимирует только переменные управляющего уравнения, в предлагаемой структуре A-PINN используется нейронная сеть с несколькими выходами, одновременно вычисляющая основные и вспомогательные выходы, которые соответственно аппроксимируют переменные и интегралы управляющего уравнения. Далее взаимосвязь между основными и вспомогательными выходами ограничивается новыми выходными условиями, согласующимися с физическими законами. На примере эталонной нелинейной интегро-дифференциальной задачи Вольтерры первого порядка показано, что предложенный подход A-PINN может получить...
Key Findings
1
Многовыходная сеть одновременно аппроксимирует переменные уравнения и интегралы, а дополнительные физически обусловленные условия на выходах задают их математическую взаимосвязь.
2
A-PINN представляет интегралы вспомогательными выходами нейронной сети и использует автоматическое дифференцирование для замены интегральных операторов, избегая дискретизации интеграла.
3
Метод устраняет ошибки дискретизации и усечения, возникающие при преобразовании интегро-дифференциальных уравнений в обыкновенные дифференциальные уравнения в традиционных PINN-подходах.
4
В работе предложена вспомогательная физически информированная нейронная сеть A-PINN для прямых и обратных задач нелинейных интегро-дифференциальных уравнений.
5
Применение к эталонной нелинейной интегро-дифференциальной задаче Вольтерра первого порядка демонстрирует применимость A-PINN, однако в представленном абстракте количественные результаты не приведены.
Research Object
нелинейные интегро-дифференциальные уравнения (ИДУ), включая постановки прямых и обратных задач
Research Subject
точность и решение без дискретизации интегрального оператора прямых и обратных задач для ИДУ с использованием физически информированных нейронных сетей со вспомогательными выходами
Publication Details
Publication Date
2022-04-29
Journal
Publisher
ISSN
Cited by
445
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest