Jupyter笔记本实现,慕尼黑工大220页免费书引见鉴于物理的深度进修

物理常识和深度进修已经成为了解决现实课题的绝佳组合,但如何更有效地将物理模型引入深度进修领域缺少一个全面的综述。慕尼黑工业大学计算机科学副教授 Nils Thuerey 团队编写的这本书对鉴于物理的深度进修展开了详尽的引见。书地址:https://arxiv.org/pdf/2109.05237.pdf项目地址:https://github.com/thunil/Physics-Based-Deep-Learning网站地址:https://www.physicsbaseddeeplearning.org/di

物理常识和深度进修已经成为了解决现实课题的绝佳组合,但如何更有效地将物理模型引入深度进修领域缺少一个全面的综述。慕尼黑工业大学计算机科学副教授 Nils Thuerey 团队编写的这本书对鉴于物理的深度进修展开了详尽的引见。

Jupyter笔记本实现,慕尼黑工大220页免费书引见鉴于物理的深度进修

书地址:https://arxiv.org/pdf/2109.05237.pdf

项目地址:https://github.com/thunil/Physics-Based-Deep-Learning

网站地址:https://www.physicsbaseddeeplearning.org/diffphys-examples.html

文如书名,《鉴于物理的深度进修》(Physics-based Deep Learning)引见了物理建模、数值摹拟与鉴于人工神经网络要领的结合。鉴于物理的深度进修代表了一个非常活跃、快速发展和令人兴奋的研究领域。就内容而言,本书对物理摹拟背景下与深度进修相关的所有内容展开了非常全面的引见。并且,所有主题都以 Jupyter 笔记本的形式提供 hands-on 代码示例,从而可以快速上手进修。除了鉴于数据的标准监督进修之外,书作者还研究了物理损失约束、具有可微摹拟的更紧密耦合的进修算法以及加强进修和不确定性建模。他们在书中表示,「我们生活在激动人心的时代,鉴于物理的 DL 要领具有从根本上改变计算机摹拟可以实现的目标的巨大潜力。」以「数值摹拟的时间序列」的视觉示例为例,本书将解读如何实现使用神经网络和数值求解器的算法。

Jupyter笔记本实现,慕尼黑工大220页免费书引见鉴于物理的深度进修

更具体地,本书主要解决了以下几个核心课题:

如何使用深度进修技巧解决偏微分方程(PDE);

如何更有效地结合深度进修技巧与现有物理学常识;

数值要领常识的重要性。

书作者之一 Nils Thuerey 为慕尼黑工业大学副教授,他的主要研究兴趣是「用于物理摹拟的深度进修要领」。

Jupyter笔记本实现,慕尼黑工大220页免费书引见鉴于物理的深度进修

背景常识从天气和气候预测,到量子物理学,再到等离子体聚变的控制,使用数值分析获得物理模型的解决方案已经成为科研中必不可缺的一部分。近年来,机器进修(ML)技巧,尤其深度神经网络(DNN),在各个领域取得了令人瞩目的成就:从图像分类到自然语言处理以及最近的蛋白质折叠。深度进修(DL)要领的这些成功案例引起了广泛关注,并认为相关技巧有可能取代传统的、摹拟驱动的科学要领。举例而言,最近的工作表明,鉴于神经网络(NN)的智能体模型实现了现实世界工业应用(如翼型流)所需的准确度,同时在运行时间方面比传统求解器高出几个数量级。不依赖根据第一性原理精心制作的模型,是否可以通过处理足够大规模的数据集来提供正确答案呢?在这一过程中,将经典数值算法与深度进修技巧相结合至关重要。其中一个核心原因是深度进修要领非常强大,但同时又可以从物理模型领域常识中获益匪浅。深度进修技巧和神经网络有时难以应用,而且将我们对物理过程的理解正确地整合到进修算法中通常也非易事。过去几十年,研究社区已经开发出高度专业化和精确的分离化方案来求解基础模型方程,如纳维 – 斯托克斯方程(Navier-Stokes)、麦克斯韦方程组(Maxwell's equations)或薛定谔方程(Schroedinger )。与其舍弃在数值数学领域已经开发的强大要领,本书将展示在应用深度进修技巧时尽可能多地使用这些要领反而获益颇多。书概览本书共分 8 大部分、25 个章节。机器之心简单摘取了部分章节的主要内容,更多信息还请参阅原书。可微物理 本章主要分五个大节:引见可微物理、具有可微物理梯度的 Burgers 优化、讨论、可微流体摹拟、可微分物理与 Physics-informed 训练。为了将深度进修和物理摹拟更紧密的结合在一起,可以在进修过程中加入可微摹拟,简而言之,可称之为可微物理(differentiable physics,DP)。这些要领旨在使用现有的数值求解器,并使其具备根据输入计算梯度的功能。

Jupyter笔记本实现,慕尼黑工大220页免费书引见鉴于物理的深度进修

可微物理训练。为了说明在 DP 设置中计算梯度的过程,该大节目标是针对相同的逆课题,使用 Physics-Informed NN 进行 Burgers 优化的 PINN 例子。此外,当我们为 DP 要领选择初始分离化时,未知初始状态由相关物理场的采样点组成,我们可以简单地将这些未知表示为浮点变量。因此,即使对于初始状态,也不需要设置 NN。因此,Burgers 重建课题在用 DP 求解时简化为一个鉴于梯度的优化课题,没有任何神经网络。接下来,本章还引见了一个更复杂的示例,将 Navier-Stokes 方程作为物理模型。与「Navier-Stokes Forward Simulation」 一致,用来针对 2D 案例。DP 复杂示例 本章主要分四个大节:复杂示例整体概览;利用深度进修减少数值误差、用神经网络求解逆课题以及概述和评论。本章给出了更复杂案例的代码示例,以向读者展示通过可微物理训练能够实现哪种任务。首先,本章展示了一个使用深度进修来表示数值摹拟误差的场景,遵循 Um 等人的建议。这是一项基本任务,需要进修模型与数值求解器密切交互。因此,这是将数值求解器引入深度进修循环至关重要情况的一个主要例子。接下来,本章展示了如何让神经网络解决棘手的逆课题,即 Navier-Stokes 摹拟的长期控制课题,遵循 Holl 等人研究。这项任务需要长期规划,因此需要两个网络,一个用于预测演变过程,另一个用于实现预期目标。

Jupyter笔记本实现,慕尼黑工大220页免费书引见鉴于物理的深度进修

粗糙和参考流形的视觉概述加强进修本章主要分两个大节:加强进修概述、用加强进修控制伯格斯方程(Burgers equation)。深度加强进修(DRL)是深度进修领域中的一类要领,它可以让人工智能体与周围环境进行交互。在执行此操作过程中,智能体接收其行为处分信号,并尝试辨别哪些行为有助于获得更高的处分,从而相应地调整自身行为。加强进修在围棋等游戏方面非常成功,并且在机器人技巧等工程应用方面也非常重要。RL 的设置通常由两部分组成:环境和智能体。环境从智能体接收动作 a,同时以状态 s 的形式向 a 提供观察,并处分 r。观察结果代表了智能体能够感知来自各个环境状态的信息的一部分。处分是由预定义的函数提供的,通常是根据环境量身定制的,可能包括游戏分数、错误行为的惩罚或成功完成任务的处分。

Jupyter笔记本实现,慕尼黑工大220页免费书引见鉴于物理的深度进修

加强进修、环境与智能体相互影响本大节将 Burgers 方程的逆课题作为加强进修 (RL) 的实验平台。该设置类似于针对可微物理 (DP) 训练的逆课题。与之前类似,Burgers 方程简单但非线性,具有有趣的动力学,因此是 RL 实验的良好起点。本大节目标是训练一个控制力估计器网络,该网络应该预测在两个给定状态之间产生平滑过渡所需的力。

Jupyter笔记本实现,慕尼黑工大220页免费书引见鉴于物理的深度进修

可微物理要领似乎比 RL 智能体产生更少的噪声轨迹,而两者都设法近似真值 PBDL 和不确定性本章主要分两个大节:后验推理引见、RANS Airfoil Flows 与贝叶斯神经网络。所有的测量、模型和分离化,都有其不确定性。对于测量,通常以测量误差的形式出现。另一方面,模型方程通常只包含我们感兴趣的一部分(剩余部分是不确定性的),而对于数值摹拟,则引入了分离化误差。所以这里要问的一个非常重要的课题是,我们如何才能确保我们得到的答案是正确的。从统计学家的角度来看,后验概率分布捕获了我们对模型或数据可能存在不确定性的一些信息。书完整目录如下:

Jupyter笔记本实现,慕尼黑工大220页免费书引见鉴于物理的深度进修

Jupyter笔记本实现,慕尼黑工大220页免费书引见鉴于物理的深度进修

Jupyter笔记本实现,慕尼黑工大220页免费书引见鉴于物理的深度进修

Jupyter笔记本实现,慕尼黑工大220页免费书引见鉴于物理的深度进修

原创文章,作者:机器之心,如若转载,请注明出处:https://www.iaiol.com/news/jupyter-bi-ji-ben-shi-xian-mu-ni-hei-gong-da-220-ye-mian/

(0)
上一篇 2021年 9月 16日 下午2:09
下一篇 2021年 9月 17日 下午6:29

相关推荐

  • 面向认知,智源研究院联合清华大学、阿里巴巴、搜狗等发布超大规模新型预训练模型“悟道·文汇”

    2021年1月11日,由北京智源人工智能研究院(以下简称“智源研究院”)、阿里巴巴、清华大学、中国人民大学、中国科学院、搜狗、智谱.AI、循环智能等单位的科研骨干成立“悟道”联合攻关团队,发布了面向认知的超大规模新型预训练模型“文汇”,旨在探索解决当前大规模自监督预训练模型不具有认知能力的问题。“文汇”模型不仅使用数据驱动的方法来建构预训练模型,还将用户行为、常识知识以及认知联系起来,主动“学习”

    2021年 1月 12日
  • 学费全免还有补贴:在邢波熏陶任校长的MBZUAI上课是什么体验?

    建校仅仅三年,MBZUAI 已经跻身全球人工智能研究前沿。

    2022年 9月 28日
  • 百分点认知智能实验室:智能对话技术应用和实践

    编者按智能对话系统因其巨大的潜力和商业价值受到越来越多研究者和从业者的关注,对话的主要种类囊括闲谈型、常识型、任意型、阅读理解型等,目前已经广泛应用在智能客服、智能音箱、智能车载等众多场景。近年来,智能对话还出现了新的应用场景,例如可以将自然语言转换为各种程序性语言,如SQL,从数据库中找到相应的答案,让用户和数据库的交互变得更加直接和方便。为此,Datafun发布了百分点首席算法科学家苏海波署名文章,文中主要介绍了智能问答中的成绩语义等价模型、常识图谱问答模型、NL2SQL模型,以及百分点在智能问答领域的实践案例

    2021年 3月 10日
  • 把轮子装在膝盖上,「机器羊」能走能滑、还载起了人和货

    四足机器人不一定是机器狗,也可能是「机器羊」。

    2022年 3月 29日
  • 暴雪也没拦住的新版本:Linux之父家中停电6天,「冰冻荒原」版Linux内核还是来了

    既然是冬天停电的时候诞生的,那就叫它「冰冻荒原」吧。

    2021年 3月 2日
  • 亮道智能发布首款纯静态Flash激光雷达,解决侧向近距离感知需求

    5月13日,亮道智能正式发布自研纯静态Flash侧向激光雷达——LDSense Satellite。该雷达采用纯芯片化计划,具有超大笔直视场角、体积小巧灵活、高可靠性、长使用寿命等特点,官方称这是一款兼具性能与成本劣势的车规级激光雷达产品。LDSense Satellite面向具有挑战性的近距场景在日常驾驭过程中,驾驭员和车辆都需要时刻关注不同驾驭场景下的途径情况,基于眼睛或车辆传感器捕获的环境信息,做出相应的驾驭行为反应。然而,无论是驾驭员还是车辆传感装置,都存在一定的视野感知盲区。在TJ

    2022年 5月 13日
  • 此芯科技退出Linaro Windows on Arm工作组,推动Arm全世界生态建设

    近日,通用智能芯片公司此芯科技宣布退出致力于Arm生态系统软件开发的全世界协调工程组织Linaro,成为国内首家退出Windows on Arm工作组的成员。Windows on Arm 工作组旨在为 Windows 建立一个健康的、可持续的 Arm 生态系统。该工作组可为开发人员供应种种工具、编程语言及专业框架支援,助力程序编译速度的提升及Windows on Arm要地开发的兑现。此芯科技专一推动Arm架构设备的智能计较发展。退出Windows on Arm 工作组后,此芯科技将负责Arm原生开发、原生应用支援及

    2022年 7月 27日
  • 高考结束了,来看下QS最新全全国大学排名,清华北大进前20

    近日,全全国高等教育研究机构 QS(Quacquarelli Symonds)发布了 2022 年 QS 全国大学排名:麻省理工学院连续十年蝉联冠军,国内排名最高的是清华、北大,分别位列 17、18 位。南方科技大学表现亮眼,超越众多 985、211 高校,排名第 275。

    2021年 6月 9日
  • Creator 面对面 | 大规模预训练模型的新思考:效力和泛化

    自 2018 年谷歌推出 BERT(3.4 亿参数)以来,语言模型开始朝着「大」演进。国内外先后出现了参数量高达千亿甚至万亿的语言模型,比如谷歌的 T5(110 亿)、OpnAI 的 GPT-3(1,750 亿)、华为联合鹏城实验室的盘古(Pangu)(2000 亿),智源研究院的 WuDao2.0(1.75 万亿)……

    对于这样的大模型,其背后支撑的是巨额的算力要求。那么对于 AI 民主化,降低模型训练门槛和壁垒,同时兼顾性能和表现,在未来模型的训练上又会有怎样的思考呢?

    2022年 7月 26日
  • 火了一整年的多模态进修,在工业界的落地和实践进展到底怎么样了?

    在小红书,看见多模态进修的无限可能。

    2022年 11月 23日

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注