pbdl-book

pbdl-book

将深度学习与物理模拟融合 革新数值计算方法

Physics-based Deep Learning book探讨了深度学习在物理模拟中的应用,重点关注基于场的模拟。内容涵盖监督学习、物理约束、可微分模拟和强化学习等主题,并提供Jupyter notebook实例。该书致力于结合数据驱动方法和传统数值技术,以提升模拟性能。通过流体动力学和不确定性量化等案例,展示了物理深度学习在计算效率和精度方面的应用前景。书中深入探讨了深度学习与物理知识的结合方式,同时保留了对数值方法的深入理解。实例说明如何利用深度学习解决PDE问题,强调了物理约束在学习过程中的重要性。此外,还介绍了差分物理训练和改进的学习方法,为读者提供了全面的物理深度学习入门指南。

Physics-based Deep Learning深度学习物理模拟PDE问题数值方法Github开源项目

欢迎阅读物理深度学习书籍 (PBDL) v0.2

这是Jupyter书籍"基于物理的深度学习"的源代码仓库。您可以在以下网址找到完整的可读版本: https://physicsbaseddeeplearning.org/

单一PDF版本也可在arXiv上获取:https://arxiv.org/pdf/2109.05237.pdf

PBDL

简短概述

PBDL书籍包含了物理模拟背景下深度学习相关内容的实用全面介绍。尽可能地,所有主题都配有Jupyter笔记本形式的实践代码示例,以便快速入门。除了标准的从数据中进行监督学习外,我们还将探讨物理损失约束、与可微分模拟更紧密耦合的学习算法,以及强化学习和不确定性建模。我们正处于激动人心的时代:这些方法有巨大潜力从根本上改变我们在模拟中能够实现的目标。

我们将在接下来重点讨论的关键方面包括:

  • 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知识结合,
  • 同时不放弃我们关于数值方法的知识。

本书重点关注:

  • 基于场的模拟(不太涉及拉格朗日方法)
  • 与深度学习的结合(还有许多其他有趣的机器学习技术存在,但本书不会讨论)
  • 实验作为展望(例如用真实世界的观测替代合成数据)

本书名称"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方法的结合。基于物理的深度学习这一总体方向代表了一个非常活跃、快速增长且令人兴奋的研究领域。

本书旨在利用我们掌握的所有强大的数值技术,并尽可能地使用它们。因此,本书的一个核心目标是调和以数据为中心的观点与物理模拟。

由此产生的方法有巨大潜力改进数值方法的应用:在求解器反复针对某个明确定义的问题域中的案例时,投入大量资源一次性训练一个支持重复求解的神经网络可能是非常有意义的。基于这个网络的领域特定专门化,这样的混合方法可能会大大超越传统的通用求解器。

有什么新内容?

预览

这里列举几个亮点:本书包含一个通过可微分物理训练混合流体流动(纳维-斯托克斯)求解器以减少数值误差的笔记本。试试看: https://colab.research.google.com/github/tum-pbs/pbdl-book/blob/main/diffphys-code-sol.ipynb

在v0.2版本中,有一个新的笔记本介绍了改进的学习方案,该方案联合计算神经网络和物理的更新方向(通过半逆梯度): https://colab.research.google.com/github/tum-pbs/pbdl-book/blob/main/physgrad-hig-code.ipynb

它还包含了训练贝叶斯神经网络用于预测翼型周围RANS流动并产生不确定性估计的示例代码。您可以立即在这里运行代码: https://colab.research.google.com/github/tum-pbs/pbdl-book/blob/main/bayesian-code.ipynb

还有一个笔记本用于比较基于近端策略的强化学习与基于物理的学习在控制PDE方面的表现(剧透:基于物理的版本最终表现更好)。试试看: https://colab.research.google.com/github/tum-pbs/pbdl-book/blob/main/reinflearn-code.ipynb

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多