Physics-Based-Deep-Learning:链接到针对物理问题的深度学习算法,TUM-I15 及更高版本-源码

上传者: 42150360 | 上传时间: 2021-09-16 08:52:24 | 文件大小: 207KB | 文件类型: ZIP
基于物理的深度学习 以下材料集合针对“基于物理的深度学习” (PBDL),即结合物理建模和深度学习 (DL) 技术的方法领域。 在这里,DL 通常指的是基于人工神经网络的方法。 PBDL 的总体方向代表了一个非常活跃且快速发展的研究领域。 在这个领域,我们可以区分各种不同的基于物理的方法,从目标设计、约束、组合方法和优化到应用。 更具体地说,所有方法都针对正向模拟(预测状态或时间演化)或逆向问题(例如,从观察中获得物理系统的参数化)。 除了正向或反向,学习和物理之间的整合类型提供了一种对不同方法进行分类的方法: 数据驱动:数据由物理系统(真实或模拟)产生,但不存在进一步的交互。 损失项:物理动力学(或其部分)在损失函数中编码,通常以可微运算的形式。 学习过程可以重复评估损失,并且通常从基于 PDE 的公式接收梯度。 交错:完整的物理模拟被交错并与深度神经网络的输出相结合; 这需要一

文件下载

资源详情

[{"title":"( 4 个子文件 207KB ) Physics-Based-Deep-Learning:链接到针对物理问题的深度学习算法,TUM-I15 及更高版本-源码","children":[{"title":"Physics-Based-Deep-Learning-master","children":[{"title":"resources","children":[{"title":"learning-similarity-metrics-divider.jpeg <span style='color:#111;'> 80.80KB </span>","children":null,"spread":false},{"title":"physics-based-deep-learning-teaser1.jpg <span style='color:#111;'> 67.12KB </span>","children":null,"spread":false},{"title":"physics-based-deep-learning-overview.jpg <span style='color:#111;'> 75.63KB </span>","children":null,"spread":false}],"spread":true},{"title":"README.md <span style='color:#111;'> 20.13KB </span>","children":null,"spread":false}],"spread":true}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明