计算机科学 > 计算工程、金融与科学
[提交于 2025年4月14日
]
标题: BO-SA-PINNs:基于贝叶斯优化的自适应物理信息神经网络用于自动设计偏微分方程求解器
标题: BO-SA-PINNs: Self-adaptive physics-informed neural networks based on Bayesian optimization for automatically designing PDE solvers
摘要: 物理信息神经网络(PINNs)正成为求解偏微分方程(PDEs)的一种流行替代方法。然而,它们需要对不同PDE的网络超参数、采样方法以及损失函数权重进行专门的手动修改,这降低了求解器的效率。本文提出了一种通用的多阶段框架,即BO-SA-PINNs,以缓解这一问题。在第一阶段,使用贝叶斯优化(BO)选择训练过程的超参数,并基于预训练结果自动确定适合PDE的网络架构、学习率、采样点分布和损失函数权重。所提出的基于实验结果的超参数搜索空间可以提高BO识别最优超参数的效率。在选择了适当的超参数后,我们在第二阶段引入了全局自适应(SA)机制。利用第二阶段的预训练模型和损失信息,采用指数移动平均(EMA)方法优化损失函数权重,并通过基于残差的自适应细化与分布(RAR-D)优化采样点分布。在第三阶段,使用L-BFGS进行稳定训练。此外,我们引入了一种新的激活函数,使BO-SA-PINNs能够实现更高的精度。在数值实验中,我们进行了对比和消融实验,验证了该模型在Helmholtz、Maxwell、Burgers和高维Poisson方程上的性能。对比实验结果显示,我们的模型在测试用例中可以实现更高的精度和更少的迭代次数,而消融实验表明了每项改进的积极影响。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.