新智元报道  

来源:pbdl
编辑:David
【新智元导读】这本基于物理的深度学习” (PBDL)电子书结合了物理建模和深度学习技术的方法,包含在物理模拟背景下与深度学习相关的所有内容的实用而全面的介绍,本书由慕尼黑工业大学计算机科学研究所副教授Nils Thuerey研究团队编写。
今天分享一本电子书资源《基于物理的深度学习》(Physics-based Deep Learning),编写者为慕尼黑工业大学计算机科学研究所副教授Nils Thuerey研究团队。
本书包含在物理模拟背景下与深度学习相关的所有内容的实用而全面的介绍。
本书尽可能地为文档中的所有主题以 Jupyter Notebook的形式提供动手代码示例,以方便快速入门。
除了从数据中进行标准的监督学习之外,本书还将研究物理损失约束、具有可微模拟的更紧密耦合的学习算法,以及强化学习和不确定性建模。
电子书链接:
Physics-based Deep Learning Book
https://www.physicsbaseddeeplearning.org/intro.html
本书重点解决什么问题
本书旨在解决的关键问题:
  • 解释如何使用深度学习技术解决 PDE 问题
  • 如何将它们与现有的物理学知识结合起来
  • 不放弃关于数值方法的知识。
本书的重点内容:
  • 基于场的模拟(拉格朗日方法)
  • 与深度学习的结合(尽管还有许多其他有趣的机器学习技术,但不会在这里讨论)
  • 实验作为展望(用真实世界的观察替换合成数据)
这本书的名字Physics-based Deep Learning,基于物理的深度学习,表示“物理建模和数值模拟”与“基于人工神经网络的方法”的组合。目的是利用强大的数值技术上,并在任何可能的地方使用这些技术。因此,本书的一个中心目标是,协调以数据为中心的观点与物理模拟之间的关系。
由此产生的新方法具有巨大的潜力,可以改进传统数值方法的运行质量:比如求解器问题,对于某个明确定义的问题域中的案例,其效率会大大提高。投入大量资源对神经网络进行训练,对于重复求解问题就很有意义,其性能可能大大优于传统的通用求解器。
几个问题实例
下一代模拟可以通过集成深度学习组件来对我们的世界做出更准确的预测
如何训练网络来推断围绕翼型等形状的流体流动,并估计预测的不确定性。这里需要研究替代传统数值模拟的替代模型。
如何使用模型方程作为残差来训练表示解的网络,以及如何通过使用可微模拟来改进这些残差约束。
如何更紧密地与完整的模拟器交互以解决逆问题。例如,如何通过在训练循环中利用模拟器,来规避标准强化学习技术的收敛问题。
本书将介绍将物理模型引入深度学习的不同方法,即基于物理的深度学习 (PBDL) 方法。这些算法变体将按照增加集成紧密度的顺序介绍,并讨论不同方法的优缺点。
在基于物理的深度学习领域,我们可以区分各种不同的基于物理的方法,从目标设计、约束、组合方法和优化到应用。更具体地说,所有方法都针对正向模拟(比如预测状态或时间演化)或逆向问题(比如从观察中获得物理系统的参数化)。
物理系统与深度学习之间的融合
按照深度学习和物理体系的整合类型不同,又可以将问题分为下面几类解决方法:
数据驱动:数据由物理系统(真实或模拟)产生,但二者不存在进一步的交互。
损失项:物理动力学通常以可微形式在损失函数中编码。学习过程可以重复评估损失,并且通常从偏微分方程中来获得梯度。
交错:完整的物理模拟被交错处理,并与深度神经网络的输出相结合;这类问题需要一个完全可微的模拟器,代表物理系统和深度学习过程之间最紧密的耦合。这种方法对于时间演化问题尤其重要,可以产生对动态未来行为的估计。
本书中使用 Jupyter notebook,它的一个关键优势是所有代码示例都可以在浏览器中现场执行。您可以修改内容并立即查看会发生什么,不妨尝试一下......
意见及建议
本书是数字文本和代码示例的集合,由慕尼黑工业大学 Physics-based Simulation 团队维护。如果您有任何意见,请随时与我们联系,提前致谢😀!
资源链接:
https://www.physicsbaseddeeplearning.org/intro.html
https://github.com/tum-pbs/pbdl-book/
继续阅读
阅读原文