利用深度算子网络学习隐藏的物理规律和系统参数

《COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING》:Learning hidden physics and system parameters with deep operator networks

【字体: 大 中 小 】 时间:2026年03月29日 来源:COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING 7.3

编辑推荐:

  隐藏物理定律发现与系统参数识别基于深算子网络的方法,提出DHPO框架和预训练DeepONet结合的参数识别框架,解决传统方法在泛化性、噪声鲁棒性和训练效率上的局限,在多个PDE基准测试中实现低误差,无需标注参数数据。

  
Dibakar Roy Sarkar | Vijay Kag | Birupaksha Pal | Somdatta Goswami
约翰霍普金斯大学惠廷工程学院,3400 N. Charles St., 巴尔的摩, 21218, MD, 美国

摘要

从稀疏观测数据中发现隐藏的物理定律并识别控制系统的参数是计算科学和工程学中的核心挑战。现有的数据驱动方法,如基于物理信息的神经网络(PINNs)和稀疏回归,受到需要大量重新训练、对噪声敏感或无法泛化到不同偏微分方程(PDEs)家族的局限。在这项工作中,我们引入了两个基于深度算子网络(DeepONet)的互补框架来解决这些限制。第一个框架称为深度隐藏物理算子(DHPO),它将隐藏物理建模扩展到算子学习范式中,通过识别未知物理算子的映射来发现不同方程家族中的未知PDE项。第二个框架是一种参数识别框架,它结合了预训练的DeepONet和基于物理信息的逆向建模,直接从稀疏传感器数据中推断系统参数。我们在包括反应-扩散系统、Burgers方程、2D热方程和2D Helmholtz方程在内的基准问题上展示了这些方法的有效性。在所有情况下,所提出的方法都实现了高精度,相对解误差在O(10?2)的范围内,参数估计误差在O(10?3)的范围内,即使在有限和噪声较大的观测条件下也是如此。通过将算子学习与基于物理信息的建模相结合,这项工作为物理发现和参数识别提供了一个统一且数据效率高的框架,为复杂动态系统中的稳健逆向建模铺平了道路。

引言

机器学习的最新进展,加上日益复杂的数据采集技术,正在改变我们建模和理解复杂物理系统的方式。在诸如机电系统中的断裂分析[1]、航空航天工程中的流体动力学[2]、医学研究中预测心血管血流[3, 4]以及材料失效[5]等领域,传统的第一性原理模型往往难以捕捉非线性动态或解释对控制过程的不完全了解。稀疏或噪声较大的观测数据进一步挑战了传统的数值和统计方法。因此,人们越来越有兴趣将机器学习与应用数学相结合,以弥合这些差距并加速科学发现。数据驱动的动态系统发现领域丰富多彩且多方面,涵盖了多种方法创新。研究人员开发了诸如无方程建模[6]、深度学习技术[7]、非线性回归[8]、经验动态建模[9]、自动动态推断[10]、符号回归[11]和Koopman分析[12]等方法,以应对在知识不完整和观测数据有限的情况下对复杂系统进行建模的基本挑战。
在这个领域,一个关键的前沿是发现由偏微分方程(PDEs)描述的现实世界系统的封闭形式数学模型,并从稀疏的、时空分散的数据中识别出关键的系统参数。传统方法在理论理解和实际测量之间难以建立桥梁。已经出现了一些突出的方法来应对这些挑战。现有的方法如稀疏非线性动力学识别(SINDy)[13]和深度隐藏物理模型(DHPM)[7]取得了显著进展,但它们存在固有的局限性。SINDy使用预定义候选项的稀疏线性组合来近似系统行为,但该框架需要对系统非线性有先验知识,并且对测量噪声敏感,通常是为恢复单个动态系统的显式控制方程而设计的。深度隐藏物理模型(DHPM)通过利用两个深度神经网络提供了一个有前景的替代方案。一个网络捕获系统状态,另一个网络近似模型的未知物理特性。DHPM框架展示了出色的稳定性,利用自动微分技术计算梯度项,从而有效地绕过了传统方法中固有的数值微分挑战。DHPM通过双神经网络提高了稳定性——一个网络捕获系统状态,另一个网络近似未知物理特性——但无法从标记的数据集中识别未知系统参数。基于物理信息的神经网络(PINNs)[14, 15, 16]通过引入创新的功能近似技术,在参数估计方面取得了突破。这些方法同时最小化了来自控制PDEs的残差损失和来自稀疏传感器记录的数据损失,在从估计心血管系统中的血流动力学参数[17]到重建异质材料中的弹性场[5],以及推断流体力学中的流动参数[18, 19]等各种应用中都取得了成功。然而,一个根本的局限性仍然存在:现有方法通常需要针对每个系统参数的变化进行重新训练和重新评估,这限制了它们的泛化能力和计算效率。
这些挑战促使我们开发出更加灵活的框架,这些框架(i)能够泛化到不同的PDEs家族,(ii)能够同时推断隐藏的物理特性和系统参数,(iii)在稀疏和噪声较大的观测条件下仍然保持稳健。神经算子[20, 21, 22, 23, 24, 25]通过学习无限维功能空间之间的映射提供了一个有吸引力的解决方案,从而能够在不同的初始条件、边界条件或源项之间实现算子级别的泛化。其中,深度算子网络(DeepONet)[20]由于其架构灵活性和在建模高维动态系统[26, 27, 28, 29]中的成功而特别吸引人。最近,Molinaro等人[30]提出了一种神经逆算子(NIO)方法,用于学习包括电阻抗层析成像、波散射和地震成像在内的典型逆问题的算子到函数的映射。他们的方法利用多个边界测量来表征观测算子,并需要由数值模拟生成的测量数据和真实参数的配对数据集。同样,Long等人[31]引入了一种可逆傅里叶神经算子(iFNO),通过结合可逆架构和变分自编码器,实现了给定完整配对训练数据的双向预测。虽然这些方法展示了神经算子在逆问题中的潜力,但它们本质上依赖于标记的参数数据集或完整的场观测数据的可用性。
相比之下,我们的工作解决了真实参数不可用且只有稀疏传感器测量数据可用的情况,利用基于物理信息的约束直接从控制方程中推断参数。在这项研究中,我们引入了两个基于最近在神经算子方面进展的互补的基于物理信息的算子学习框架:
  • 1. 深度隐藏物理算子(DHPO)网络:该框架将DHPM与DeepONet结合,直接从稀疏数据中发现未知的控制物理特性。与DHPM不同,DHPO可以泛化到多个PDE家族和系统条件,同时通过近似控制方程的隐藏项来保持可解释性。
  • 2. 基于物理信息的参数识别:一种使用稀疏传感器记录来推断系统参数(例如粘度、扩散率、热导率、源函数)的框架。在这里,预训练的DeepONet从有限数据中重建解场,然后作为输入用于参数估计的物理约束逆模型。与需要标记参数数据集的数据驱动逆算子方法不同,我们的框架解决了训练期间真实参数不可用的更具挑战性的情况。我们利用控制方程的已知物理特性作为约束,仅从稀疏传感器观测和PDE残差中识别参数,而无需监督参数标签。
  • 通过将算子学习与基于物理信息的建模相结合,这项工作为科学计算中的逆问题提供了通用且数据效率高的解决方案。所提出的框架为工程和物理科学中的各种应用中的隐藏物理发现和参数推断提供了新的机会。现有方法和提出方法的训练要求、泛化能力和关键局限性在表1中进行了总结。
    这两种框架在观测数据有限的情况下都能实现高精度,隐藏物理发现的相对L2误差在10?2的范围内,参数识别的绝对误差在10?3的范围内。我们在包括Burgers方程、反应-扩散系统、2D热方程和2D Helmholtz方程在内的基准问题上展示了它们的性能,并表明即使在分布外情况下,我们的方法仍然准确且稳健。本文的其余部分组织如下:第2节概述了构建隐藏物理发现和参数识别替代方法的框架。第3节使用基准示例展示了所提出框架的适用性。第4节总结了我们的研究并指出了潜在的未来研究方向。

    方法论

    将深度学习应用于物理科学取决于两个基本能力:当底层物理仅部分已知时直接从数据中发现控制方程,以及估计控制复杂过程动态的系统参数。传统的数据驱动方法在这些任务中往往表现不佳,因为它们需要大量的训练数据,并且在不同的边界条件、源项或材料属性下泛化能力较差。

    示例问题

    为了检验我们的方法,我们在四个示例集上进行了测试,包括反应-扩散方程、Burgers方程、热方程和Helmholtz方程。网络架构是根据已建立的DeepONet指南[20]系统选择的,分支网络和主干网络分别使用了3-4层,每层有64-128个神经元。超参数扫描分析表明,在合理的架构变化下性能稳健。详细信息见附录A

    计算效率和可扩展性分析

    虽然本研究中的基准问题是低维的,单个正向模拟可以使用传统数值方法高效解决(根据离散化需要0.05到0.12秒),但所提出的算子学习框架在逆问题和参数估计任务中提供了显著的计算优势。传统的参数识别方法需要迭代优化,每个参数估计场景都涉及多次

    代码可用性

    CRediT作者贡献声明

    Dibakar Roy Sarkar:撰写——审阅与编辑、撰写——原始草稿、可视化、调查、概念化。Vijay Kag:撰写——审阅与编辑、撰写——原始草稿、可视化、调查、概念化。Birupaksha Pal:撰写——审阅与编辑、撰写——原始草稿、可视化、监督、调查、概念化。Somdatta Goswami:撰写——审阅与编辑、验证、可视化、监督、调查、概念化。

    利益冲突声明

    作者声明没有利益冲突
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号