头图

求解偏微分方程(Partial Differential Equation, PDE)是科学计算领域最重要的课题之一,也是计算机辅助工程(Computer-Aided Engineering, CAE)软件的核心要素。为求解 PDE,有限差分方法、有限元方法、谱方法等经典数值方法被提出并广泛研究。但是,经典数值方法依赖于网格离散,在复杂几何和高维问题等方面面临困难。

在 AI for Science 时代,AI 模型在很多任务上取得了巨大成功,使用这些模型来求解 PDE 的想法也得到了许多学者的青睐。一个最为直接的思路是利用考虑物理约束的深度神经网络来表示 PDE 的解,并利用 PDE 结构定义损失函数、优化神经网络。以此为基础发展的最有代表性的方法是已经得到广泛关注、被寄予厚望的物理信息神经网络(Physics-Informed Neural Networks, PINN)

然而,值得关注的是,神经网络比较明显的优势在处理高维问题上。PDE 的大量实际应用场景所面临的挑战不在维数灾难上,而在几何复杂、多尺度等方面。此时,神经网络的优势不容易发挥出来,反倒因为非线性优化等方面的困难,面临着求解效率低、误差不可控、难以系统改进等挑战。因此,如何融合经典数值方法与机器学习方法的优势,是一个亟待解决的问题。在这个大背景下,陈景润、池煦荣、鄂维南、杨周旺四位学者于 2022 年提出随机特征方法(The Random Feature Method, RFM)。RFM 在避免网格生成、容易处理复杂几何区域(如图1)的同时,也在各种场景下都有媲美经典数值方法的精度和效率(如图2)。

图片

                    图1:RFM在2维复杂几何区域上的稳态Stokes方程求解 [1]

图片

    图2:三类方法求解 1 维 Helmholtz 方程结果对比(左图:误差;右图:计算时间;越低越好)

相关文章以《Bridging Traditional and Machine Learning-based Algorithms for Solving PDEs: The Random Feature Method》[1]为题,发表在《Journal of Machine Learning》期刊上。

图片


RFM Notebook 案例

本期 Notebook 将以 Helmholtz 方程的求解为例,介绍有限差分、PINN 以及 RFM 方法的基本原理和简单实现,并对相应的表现进行比较和分析。我们不预设读者有很强的科学计算或者机器学习的背景知识,只需具备基本的数学和编程知识。如果你想对 AI for PDE 的了解更深刻一点,本期 Notebook 会是不容错过的佳作。

跟随本期 Notebook,使用免费的 CPU 机型,即刻点击下方图片查看吧:

图片

致谢:
本期 Notebook 投稿自中国科学技术大学数学科学学院池煦荣博士,感谢作者的热情创作与分享。
池煦荣,中国科学技术大学数学科学学院博士研究生,主要研究方向为科学计算、深度学习与偏微分方程,联系邮箱:cxr123@mail.ustc.edu.cn

farfarcheng
1 声望8 粉丝