文献类型：期刊文章

作　　者：查文舒[1] 李道伦[1] 沈路航[1] 张雯[1] 刘旭亮[1]

Zha Wenshu;Li Daolun;Shen Luhang;Zhang Wen;Liu Xuliang(School of Mathematics,Hefei University of Technology,Hefei 230009,China)

机构地区：[1]合肥工业大学数学学院,合肥230009

出　　处：《力学学报》

基　　金：国家自然科学基金(1217020361)资助项目。

年　　份：2022

卷　　号：54

期　　号：3

起止页码：543-556

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：神经网络作为一种强大的信息处理工具在计算机视觉,生物医学,油气工程领域得到广泛应用,引发多领域技术变革.深度学习网络具有非常强的学习能力,不仅能发现物理规律,还能求解偏微分方程.近年来基于深度学习的偏微分方程求解已是研究新热点.遵循于传统偏微分方程解析解、偏微分方程数值解术语,本文称用神经网络进行偏微分方程求解的方法为偏微分方程智能求解方法或偏微分方程神经网络求解方法.本文首先简要介绍偏微分方程智能求解发展历程,然后从反演未知偏微分方程与求解已知偏微分方程两个角度展开讨论,重点讨论已知偏微分方程的求解方法.根据神经网络中损失函数的构建方式,将偏微分方程求解方法分为3大类:第1类是数据驱动,主要从数据中学习偏微分方程,可以应用于恢复方程、参数反演等;第2类是物理约束,即在数据驱动的基础上,辅以物理约束,在损失函数中加入控制方程等物理规律,减少网络对标签数据的依赖,大幅提高泛化能力与应用价值;第3类物理驱动(纯物理约束),完全不使用标签数据,仅通过物理规律求解偏微分方程,目前仅适用于简单偏微分方程.本文从这3个方面介绍偏微分方程智能求解的研究进展,涉及全连接神经网络、卷积神经网络、循环神经网络等多种网络结构.最后总结偏微分方程智能求解的研究进展,给出相应的应用场景以及未来研究展望.

关 键 词：神经网络 偏微分方程智能求解  数据驱动 物理约束  

分 类 号：O241]