Core Concepts
Die Methode CP-PINNs ermöglicht die gleichzeitige Erkennung von Änderungspunkten und Schätzung unbekannter Parameter in der Dynamik partieller Differentialgleichungen basierend auf beobachteten Daten.
Abstract
Die Studie untersucht das inverse Problem für partielle Differentialgleichungen (PDEs) in Szenarien, in denen die Parameter der gegebenen PDE-Dynamik zufällige Änderungspunkte aufweisen können. Dafür wird eine Erweiterung der Physics-Informed Neural Networks (PINNs) vorgestellt, die eine Total-Variation-Regularisierung verwendet, um mehrere Änderungspunkte in der PDE-Dynamik zu berücksichtigen und die Funktionsapproximation deutlich zu verbessern.
Zusätzlich wird eine Online-Lernmethode eingeführt, um die Verlustfunktionsterme dynamisch neu zu gewichten. Die empirische Analyse anhand verschiedener Gleichungen mit Parameteränderungen zeigt die Vorteile des vorgeschlagenen Modells. Ohne Änderungspunkte reduziert sich das Modell auf das ursprüngliche PINNs-Modell. Bei Vorhandensein von Änderungspunkten liefert der Ansatz jedoch eine genauere Parameterschätzung, ein verbessertes Modellfit und einen reduzierten Trainingsfehler im Vergleich zum ursprünglichen PINNs-Modell.
Stats
Die Methode CP-PINNs erkennt die Änderungspunkte in der PDE-Dynamik bei 0,334s und 0,670s und schätzt die Parameter auf 0,5001, 0,049 und 0,999.
Das Standard-PINNs-Modell erkennt die Änderungspunkte bei 0,240s und 0,615s und schätzt die Parameter auf 0,498, -0,082 und 9,018.
Quotes
"Die Methode CP-PINNs ermöglicht die gleichzeitige Erkennung von Änderungspunkten und Schätzung unbekannter Parameter in der Dynamik partieller Differentialgleichungen basierend auf beobachteten Daten."
"Ohne Änderungspunkte reduziert sich das Modell auf das ursprüngliche PINNs-Modell. Bei Vorhandensein von Änderungspunkten liefert der Ansatz jedoch eine genauere Parameterschätzung, ein verbessertes Modellfit und einen reduzierten Trainingsfehler im Vergleich zum ursprünglichen PINNs-Modell."