揭示物理感知神经网络的设计模式：第07部分

物理感知神经网络设计模式揭示：第07部分

主动学习以高效训练参数化PINN

欢迎来到本系列的第7篇博客文章，在这里我们将继续探索物理信息神经网络（PINN）的设计模式的令人兴奋的旅程🙌

在本篇博客中，我们将详细介绍一篇将主动学习引入到PINN中的论文。和往常一样，我们将通过设计模式的视角来审视这篇论文：我们将从目标问题开始，然后介绍提出的方法。之后，我们将讨论评估过程以及提出方法的优势/劣势。最后，我们将通过探索未来机会来总结博客。

随着本系列的不断扩展，PINN设计模式的收集变得更加丰富多样！以下是即将呈现给您的预览内容：

PINN设计模式01：优化残差点分布

• “利用MySQL的JSON_ARRAYAGG函数进行黑客攻击，创建动态的多值维度”
• 作者们联合起来反对人工智能公司：寻求对版权作品的尊重和报酬
• 数据工程师与数据科学家：选择哪个职业？

PINN设计模式02：动态解区间扩展

PINN设计模式03：使用梯度提升训练PINN

PINN设计模式04：梯度增强的PINN学习

PINN设计模式05：自动超参数调整

PINN设计模式06：因果PINN训练

让我们开始吧！

1. 快速浏览论文 🔍

• 标题：物理信息神经网络的主动训练，用于聚合和插值参数化的Navier-Stokes方程解
• 作者：C. A., Arthurs, A. P. King
• 机构：伦敦国王学院
• 链接：《计算物理学杂志》

2. 设计模式 🎨

2.1 问题 🎯

PINN的主要用途之一是对高保真度、耗时的数值模拟（例如结构动力学的有限元模拟）进行代理。通过已知的控制微分方程（表示为额外的损失项）所施加的强正规化，PINN的训练通常只需要从少数几次模拟运行中收集到的最少数据。