Applications of physics informed neural operators
Applications of physics informed neural operators
复制标题
物理知识神经算子的应用
DOI：
10.1088/2632-2153/acd168
复制
发表时间：
2023
期刊：
影响因子：
--
通讯作者：
Huerta, E. A.
中科院分区：
文献类型：
--
作者：
Rosofsky, Shawn G.;Al Majed, Hani;Huerta, E. A.
我们对物理信息神经算子（PINO）进行了批判性分析，以求解偏微分方程（PDE），这些方程在使用精心策划的数据集进行物理现象的研究和建模中普遍存在。此外，我们还提供了一个基准测试套件，可用于评估 PINO 解决此类问题的能力。我们首先证明我们的方法重现了文献中其他地方发布的其他神经算子的准确性和性能，以学习一维波动方程和一维伯格斯方程。此后，我们应用 PINO 来学习新类型的方程，包括标量、无粘性和矢量类型的 2D Burgers 方程。最后，我们表明我们的方法也适用于学习二维线性和非线性浅水方程的物理学，其中涉及三个耦合偏微分方程。我们发布人工智能替代品和科学软件来生成初始数据和边界条件，以研究各种物理动机场景。我们提供源代码、一个用于可视化 PINO 预测的交互式网站，以及在科学数据和学习中心使用它们的教程。
We present a critical analysis of physics-informed neural operators (PINOs) to solve partial differential equations (PDEs) that are ubiquitous in the study and modeling of physics phenomena using carefully curated datasets. Further, we provide a benchmarking suite which can be used to evaluate PINOs in solving such problems. We first demonstrate that our methods reproduce the accuracy and performance of other neural operators published elsewhere in the literature to learn the 1D wave equation and the 1D Burgers equation. Thereafter, we apply our PINOs to learn new types of equations, including the 2D Burgers equation in the scalar, inviscid and vector types. Finally, we show that our approach is also applicable to learn the physics of the 2D linear and nonlinear shallow water equations, which involve three coupled PDEs. We release our artificial intelligence surrogates and scientific software to produce initial data and boundary conditions to study a broad range of physically motivated scenarios. We provide the source code, an interactive website to visualize the predictions of our PINOs, and a tutorial for their use at the Data and Learning Hub for Science.
登录
查看更多内容
影响因子：
5
作者：
D. Wysocki;R. O’Shaughnessy;Y-L. L. Fang-Y-L.-L.-Fang-90268547;Jacob Lange Center for Computational Relativity;Gravitation;R. I. O. Technology;Computational Science Initiative;Brookhaven National Laboratory
通讯作者：
D. Wysocki;R. O’Shaughnessy;Y-L. L. Fang-Y-L.-L.-Fang-90268547;Jacob Lange Center for Computational Relativity;Gravitation;R. I. O. Technology;Computational Science Initiative;Brookhaven National Laboratory
影响因子：
1.9
作者：
Blaiszik, Ben;Ward, Logan;Foster, Ian
通讯作者：
Foster, Ian
影响因子：
5.5
作者：
Erba, A.;Baima, J.;Dovesi, R.
通讯作者：
Dovesi, R.
天体物理学中的 HPC 挑战：用于引力波检测的大规模科学计算
DOI：
--
发表时间：
2019
期刊：
影响因子：
--
作者：
Takehiko Asaka (Niigata U.);Hiroyuki Ishida (KEK;Tsukuba);Wen Yin (KAIST;Taejon);中竜大;Kipp Cannon
通讯作者：
Kipp Cannon
影响因子：
4.1
作者：
Raissi, M.;Perdikaris, P.;Karniadakis, G. E.
通讯作者：
Karniadakis, G. E.