一种用于椭圆问题中计算特征值的 PINNs 方法-计算机科学-深度学习-算法.pdfVIP

一种用于椭圆问题中计算特征值的PINNs方法

JuliánFernándezBonder1,2,andArielSalort3,

1DepartamentodeMatemática,FacultaddeCienciasExactasyNaturales,UniversidaddeBuenosAires

2InstitutodeCálculoUBA-CONICET,BuenosAires,Argentina

3UniversidadCEUSanPablo,UrbanizacionMontepríncipe,s.n.28668,Madrid,Spain

在本文中，我们提出了一种使用深度学习技术计算椭圆问题特征值的方法。我们的方法的一个关键

特点是它独立于空间维度，并且可以在不预先计算较低的特征值的情况下计算任意特征值。此外，该

方法可以很容易地适应以处理非线性特征值问题。

介绍

人工智能（AI）对日常生活的影响在近年来变得

不可否认。从智能手机到图像识别，从医疗诊断到自

动驾驶汽车，机器学习——特别是深度学习——已经

本改变了我们与技术互动的方式。

译这种影响也扩展到了数学和物理学领域，机器学

中习技术正在被应用于分析那些传统上使用经典解析方

1法处理的复杂现象。其中，由偏微分方程（PDEs）支

v

6配的问题尤其突出，因为它们在跨多个学科的物理系

2统建模中扮演着核心角色。图1.一个完全连接的前馈神经网络，输入维度为，输出维

1

3反映这一趋势，越来越多的软件库和框架被开发度为1。

0

.作为教育和研究工具，用于解决计算科学与工程中的

7

0基于偏微分方程的问题；参见例如[1–3]及其中的相关[10,11]，然后是二维情况[12]。相关的研究方法也在

5参考文献。[13]中提出，其中包括对非线性本征值问题的扩展。

2

:同时，基于神经网络的方法在近似求解偏微分方在这些工作中，解决方案使用全连接前馈神经

v

i程方面获得了越来越多的关注。这些包括对诸如Burg-网络进行近似（参见图1），并在不同实现中变化隐藏

x

rers方程、Eikonal方程和热方程[4]等问题的成功应层的数量和激活函数。为了近似特征值，作者最小

a

用，以及在复杂二维几何中的线性扩散方程[5]。化黎曼商数：

这一思想的一个自然扩展是使用神经网络（NNs）

作为通用函数逼近器来求解微分方程。一个典型的例

子出现在量子力学中，其中需要求解本征值问题

最小化得到主特征值及其相应的特征函数

in(1)。高阶本征对可以通过迭代地最小化同一泛函同时

给定势能函数和本征值参数。使限制搜索在与先前计算的特征函数正交的子空间中来

用神经网络近似此类方程的解的想法可以追溯到20世计算。

纪90年代[6]，但随着物理信息神经网络（PINNs）在