Physics-constrained convolutional neural networks for inverse problems in spatiotemporal partial differential equations

📄 arXiv: 2401.10306v4 📥 PDF

作者: Daniel Kelshaw, Luca Magri

分类: physics.flu-dyn, cs.LG

发布日期: 2024-01-18 (更新: 2024-11-30)

备注: Published in Data-Centric Engineering: DCE-2024-0055

💡 一句话要点

提出物理约束卷积神经网络解决时空偏微分方程逆问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 物理约束 卷积神经网络 逆问题 偏微分方程 时空数据 流体动力学 高分辨率重建 非线性方程

📋 核心要点

  1. 现有方法在处理时空偏微分方程的逆问题时，常常面临数据偏差和信息稀疏的挑战。
  2. 论文提出的PC-CNN通过物理约束和时间窗口方案，有效处理序列数据，解决了逆问题。
  3. 实验结果显示，PC-CNN在恢复真实解和重建高分辨率解方面表现优异，尤其是在处理Navier-Stokes方程时。

📝 摘要（中文）

本文提出了一种物理约束卷积神经网络（PC-CNN），用于解决两类偏微分方程（PDEs）的逆问题，这些方程在空间和时间上均为非线性。在第一个逆问题中，给定的数据受到空间变化的系统误差影响，任务是从偏差数据中揭示真实状态，即PDE的解。在第二个逆问题中，给定PDE解的稀疏信息，任务是高分辨率地重建解。研究表明，PC-CNN能够有效恢复多种偏差下的真实解，并从仅1%的信息中重建出高分辨率的时空混沌解。该研究为解决偏微分方程的逆问题提供了新的机会。

🔬 方法详解

问题定义：本文旨在解决偏微分方程（PDEs）的逆问题，特别是当数据受到空间变化的系统误差影响时，以及在信息稀疏的情况下重建解。现有方法在处理这些问题时，往往无法有效恢复真实解或高分辨率解。

核心思路：论文提出的PC-CNN通过将物理约束引入卷积神经网络，结合时间窗口方案，能够更好地处理时序数据，从而提高解的准确性和分辨率。

技术框架：PC-CNN的整体架构包括数据预处理、物理约束模块、卷积神经网络结构和后处理阶段。数据预处理用于处理输入数据，物理约束模块确保网络输出符合物理规律，卷积神经网络负责特征提取和解的重建，后处理则用于优化输出结果。

关键创新：PC-CNN的最大创新在于将物理约束与深度学习相结合，确保了网络学习到的解不仅符合数据，还符合物理规律。这一设计与传统方法的本质区别在于，传统方法往往忽视物理约束，导致解的准确性下降。

关键设计：在网络结构上，PC-CNN采用了多层卷积结构，结合了残差连接以提高训练效率。损失函数设计为综合考虑数据误差和物理约束的损失，确保网络在训练过程中能够平衡这两方面的需求。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PC-CNN在处理偏差数据时能够准确恢复真实解，并在仅使用1%的信息的情况下重建出高分辨率的时空混沌解。与传统插值方法相比，PC-CNN的推断解具有更好的物理谱能量内容，显示出显著的性能提升。

🎯 应用场景

该研究的潜在应用领域包括气候建模、流体动力学、工程设计等，能够为复杂系统的逆问题提供有效的解决方案。通过提高解的准确性和分辨率，未来可能在科学研究和工业应用中产生重要影响。

📄 摘要（原文）

We propose a physics-constrained convolutional neural network (PC-CNN) to solve two types of inverse problems in partial differential equations (PDEs), which are nonlinear and vary both in space and time. In the first inverse problem, we are given data that is offset by spatially varying systematic error (i.e., the bias, also known as the epistemic uncertainty). The task is to uncover the true state, which is the solution of the PDE, from the biased data. In the second inverse problem, we are given sparse information on the solution of a PDE. The task is to reconstruct the solution in space with high-resolution. First, we present the PC-CNN, which constrains the PDE with a time-windowing scheme to handle sequential data. Second, we analyse the performance of the PC-CNN for uncovering solutions from biased data. We analyse both linear and nonlinear convection-diffusion equations, and the Navier-Stokes equations, which govern the spatiotemporally chaotic dynamics of turbulent flows. We find that the PC-CNN correctly recovers the true solution for a variety of biases, which are parameterised as non-convex functions. Third, we analyse the performance of the PC-CNN for reconstructing solutions from sparse information for the turbulent flow. We reconstruct the spatiotemporal chaotic solution on a high-resolution grid from only 1% of the information contained in it. For both tasks, we further analyse the Navier-Stokes solutions. We find that the inferred solutions have a physical spectral energy content, whereas traditional methods, such as interpolation, do not. This work opens opportunities for solving inverse problems with partial differential equations.