近日,華為與中國人民大學(xué)高瓴人工智能學(xué)院孫浩教授團(tuán)隊(duì)合作,基于思MindSpore AI框架提出了物理編碼遞歸卷積神經(jīng)網(wǎng)絡(luò)(Physics-encoded Recurrent Convolutional Neural Network,PeRCNN),該成果已在《自然》雜志子刊《Nature Machine Intelligence》上發(fā)表,相關(guān)代碼已在開源社區(qū)Gitee的MindSpore Flow代碼倉開源。
PeRCN相較于物理信息神經(jīng)網(wǎng)絡(luò)、ConvLSTM、PDE-NET等方法,模型泛化性和抗噪性明顯提升,長期推理精度提升了10倍以上,在航空航天、船舶制造、氣象預(yù)報(bào)等領(lǐng)域擁有廣闊的應(yīng)用前景。
PDE方程在對(duì)物理系統(tǒng)的建模中占據(jù)著中心地位,但在流行病學(xué)、氣象科學(xué)、流體力學(xué)和生物學(xué)等等領(lǐng)域中,很多的底層PDE仍未被完全發(fā)掘出來。
目前,已有的數(shù)據(jù)驅(qū)動(dòng)的模型依賴于大數(shù)據(jù),這在大多數(shù)的科學(xué)問題上很難滿足,同時(shí)還存在解釋性的問題。物理約束的神經(jīng)網(wǎng)絡(luò)(PINNs)雖然做到了利用先驗(yàn)知識(shí)去約束模型的訓(xùn)練從而減少對(duì)數(shù)據(jù)的依賴,但是PINN基于損失函數(shù)的軟約束限制了最終結(jié)果的準(zhǔn)確性。如何在缺少有效數(shù)據(jù)的情形下,得到具有高精度、魯棒性、可解釋性和泛化性的結(jié)果,仍是學(xué)界努力的方向。
PerCNN的模型架構(gòu)
因此,華為與孫浩教授團(tuán)隊(duì)合作,利用騰AI澎湃算力、依托思MindSpore AI框架開發(fā)了物理編碼遞歸卷積神經(jīng)網(wǎng)絡(luò),實(shí)現(xiàn)了對(duì)非線性PDE的精確逼近。
PeRCNN神經(jīng)網(wǎng)絡(luò)強(qiáng)制編碼物理結(jié)構(gòu),通過符號(hào)計(jì)算,可以從學(xué)習(xí)到的模型中進(jìn)一步提取底層的基礎(chǔ)物理學(xué)表達(dá)式。這讓PeRCNN能夠作為一項(xiàng)有效的工具幫助人們從不完善和高噪聲的數(shù)據(jù)中準(zhǔn)確可靠地發(fā)現(xiàn)潛在的物理規(guī)律。
流體力學(xué)、氣象、海洋等學(xué)科中,存在湍流、激波等強(qiáng)非線性現(xiàn)象,傳統(tǒng)數(shù)值方法的求解需要大量計(jì)算資源,當(dāng)前AI已經(jīng)在飛行器流嘗中期天氣預(yù)報(bào)等問題中展現(xiàn)出極大的潛力,PeRCNN具備高精度、泛化性強(qiáng)和抗噪性強(qiáng)等特點(diǎn),將有望在這些領(lǐng)域突破傳統(tǒng)計(jì)算瓶頸,加速工業(yè)仿真和設(shè)計(jì),成為AI+科學(xué)計(jì)算領(lǐng)域的新利器。