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
彪哥完成签到 ,获得积分10
刚刚
彭于晏应助无尘采纳,获得10
1秒前
顾矜应助无尘采纳,获得10
1秒前
科研通AI2S应助无尘采纳,获得10
1秒前
Asheldon完成签到 ,获得积分10
6秒前
bonnie完成签到,获得积分20
6秒前
可爱访卉完成签到,获得积分20
6秒前
9秒前
丘比特应助周芷卉采纳,获得10
9秒前
啦啦完成签到 ,获得积分10
11秒前
原始动物研究者协会完成签到 ,获得积分10
18秒前
BCS完成签到,获得积分10
19秒前
顾矜应助sherry采纳,获得10
20秒前
自由从筠完成签到 ,获得积分10
21秒前
21秒前
仁爱的伯云完成签到,获得积分10
26秒前
29秒前
Nick完成签到 ,获得积分10
29秒前
30秒前
有魅力的大船完成签到,获得积分10
30秒前
33秒前
SciGPT应助wudan采纳,获得10
33秒前
Owen应助科研通管家采纳,获得10
34秒前
所所应助科研通管家采纳,获得10
34秒前
小马甲应助科研通管家采纳,获得10
34秒前
领导范儿应助科研通管家采纳,获得10
34秒前
隐形曼青应助科研通管家采纳,获得10
34秒前
34秒前
毛豆应助科研通管家采纳,获得10
34秒前
科研通AI2S应助科研通管家采纳,获得10
34秒前
田様应助科研通管家采纳,获得10
34秒前
桐桐应助科研通管家采纳,获得20
34秒前
爆米花应助科研通管家采纳,获得10
34秒前
烟花应助科研通管家采纳,获得10
35秒前
35秒前
DWD完成签到 ,获得积分10
35秒前
wyihao发布了新的文献求助10
36秒前
bonnie发布了新的文献求助10
36秒前
李耳洛发布了新的文献求助30
36秒前
传奇3应助dungaway采纳,获得10
38秒前
高分求助中
The ACS Guide to Scholarly Communication 2500
Sustainability in Tides Chemistry 2000
Pharmacogenomics: Applications to Patient Care, Third Edition 1000
Studien zur Ideengeschichte der Gesetzgebung 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Genera Insectorum: Mantodea, Fam. Mantidæ, Subfam. Hymenopodinæ (Classic Reprint) 800
Ethnicities: Media, Health, and Coping 700
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 3085924
求助须知:如何正确求助?哪些是违规求助? 2738890
关于积分的说明 7552090
捐赠科研通 2388595
什么是DOI,文献DOI怎么找? 1266658
科研通“疑难数据库(出版商)”最低求助积分说明 613539
版权声明 598591