卢经纬1,2, 程相1,3, 王飞跃1,3
1. 中国科学院自动化研究所复杂系统管理与控制国家重点实验室,北京 100190
2. 青岛智能产业技术研究院,山东 青岛 266114
3. 中国科学院大学人工智能学院,北京 100049
卢经纬, 程相, 王飞跃. 求解微分方程的人工智能与深度学习方法:现状及展望[J]. 智能科学与技术学报, 2022, 4(4): 461-476.
LU J W, CHENG X, WANG F Y. Artificial intelligence and deep learning methods for solving differential equations: the state of the art and prospects[J]. Chinese Journal of Intelligent Science and Technology, 2022, 4(4): 461-476.
图1 深度学习求解微分方程基本框架
图2 数据和物理信息量不同的3种情形
预训练任务。预训练任务设计是训练大模型的关键步骤。通常来说,预训练任务需满足两个条件:预训练任务与下游任务相关;预训练任务需以自监督的形式实现。第一个条件主要确保预训练任务提取的特征是适用于下游任务的;第二个条件则是因为大模型需要海量训练数据,如果每个数据都需手工标注,则很难实现,同时也不利于长期学习优化。为此,DeDAO 的预训练任务可设计为如下3类:单步/多步状态预测、微分方程求解及虚拟空间任务。由于DeDAO处理动力学系统,其状态预测是一个关键问题,且具有广泛的应用。对于单步/多步状态预测任务,可以先挖空一段数据再对其预测,做到自监督学习。对于微分方程求解任务,基于自然语言描述的微分方程知识、微分方程定律和数据等,可做到自监督,如在式(5)中令f(x,t)=0。而对于虚拟空间任务,由计算机技术产生的虚拟任务,其数据和标签通常是成对出现的,无须额外的人工标注,这也是采用人工系统的好处。
其中,c为待定参数,将式(11)带入式(3)可得残差如式(12)所示:
其中,
,p为素数,具有偏差。采用一致分布使配点分布均匀,离散残差能较好地逼近连续型残差,这一点比高斯配点法优越。在计算机技术快速发展的当下,采用人工神经元取代试函数作为基底能够形成通用的近似结构,方便工程实践。采用物理知识辅助进行深度学习,可实现无网格的求解,借助人工智能解决物理中的数学问题。基于神经网络的通用逼近定律如式(10),深度学习求解微分方程的方法,有望取得与有限元法与有限体积法等常用数值方法相似甚至更好的精度。因此,在DeDAO中,本文采用深度神经网络描述方程解的特征,以取代试函数的组合,给出使用最小二乘法优化网络参数的一种求解方法框架,其残差加权损失函数设计如式(14)所示:
联系客服