Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations

非线性系统 偏微分方程 人工神经网络 背景(考古学) 计算机科学 应用数学 反问题 偏导数 自动微分 物理定律 功能(生物学) 数学 数学分析 物理 算法 人工智能 量子力学 生物 进化生物学 古生物学 计算
作者
Maziar Raissi,Paris Perdikaris,George Em Karniadakis
出处
期刊:Journal of Computational Physics [Elsevier]
卷期号:378: 686-707 被引量:7631
标识
DOI:10.1016/j.jcp.2018.10.045
摘要

We introduce physics-informed neural networks – neural networks that are trained to solve supervised learning tasks while respecting any given laws of physics described by general nonlinear partial differential equations. In this work, we present our developments in the context of solving two main classes of problems: data-driven solution and data-driven discovery of partial differential equations. Depending on the nature and arrangement of the available data, we devise two distinct types of algorithms, namely continuous time and discrete time models. The first type of models forms a new family of data-efficient spatio-temporal function approximators, while the latter type allows the use of arbitrarily accurate implicit Runge–Kutta time stepping schemes with unlimited number of stages. The effectiveness of the proposed framework is demonstrated through a collection of classical problems in fluids, quantum mechanics, reaction–diffusion systems, and the propagation of nonlinear shallow-water waves.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
xiaozhao发布了新的文献求助10
刚刚
1秒前
2秒前
3秒前
4秒前
4秒前
勇哥发布了新的文献求助10
5秒前
5秒前
5秒前
优秀剑愁完成签到 ,获得积分10
5秒前
mqthhh完成签到,获得积分10
5秒前
5High_0发布了新的文献求助10
6秒前
脑洞疼应助麦可采纳,获得30
6秒前
叶子完成签到,获得积分10
8秒前
研友_VZGvVn发布了新的文献求助10
9秒前
zsyzxb发布了新的文献求助10
10秒前
10秒前
11秒前
sunshitao发布了新的文献求助10
11秒前
桐桐应助離原采纳,获得10
13秒前
研友_VZGvVn完成签到,获得积分10
14秒前
阿莫西林发布了新的文献求助10
15秒前
熠旅完成签到,获得积分10
15秒前
乐乐应助Spine Lin采纳,获得10
16秒前
搜集达人应助zsyzxb采纳,获得10
16秒前
岁寒完成签到 ,获得积分10
16秒前
17秒前
打打应助钮小童采纳,获得10
17秒前
科研通AI2S应助孙兆杰采纳,获得10
18秒前
18秒前
21秒前
拓跋雨梅发布了新的文献求助10
21秒前
爆米花应助coolkid采纳,获得10
21秒前
21秒前
22秒前
23秒前
23秒前
feige完成签到 ,获得积分10
24秒前
YCW完成签到,获得积分10
24秒前
万能图书馆应助xiaozhao采纳,获得10
25秒前
高分求助中
The Oxford Handbook of Social Cognition (Second Edition, 2024) 1050
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Chen Hansheng: China’s Last Romantic Revolutionary 500
COSMETIC DERMATOLOGY & SKINCARE PRACTICE 388
Case Research: The Case Writing Process 300
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3141507
求助须知:如何正确求助?哪些是违规求助? 2792469
关于积分的说明 7803258
捐赠科研通 2448691
什么是DOI,文献DOI怎么找? 1302802
科研通“疑难数据库(出版商)”最低求助积分说明 626665
版权声明 601240