[论文解读] Data-driven Discovery of Partial Differential Equations for Multiple-Physics Electromagnetic Problem

Bing Xiong, Haiyang Fu+2 more|arXiv (Cornell University)|Oct 24, 2019

Model Reduction and Neural Networks参考文献 13被引用 11

一句话总结

该论文提出了一种深度学习框架，结合卷积神经网络（CNNs）、稀疏回归与Pareto分析，从稀疏的时间-空间数据中发现控制多物理场电磁系统的隐藏非线性偏微分方程（PDEs）。该方法成功识别了麦克斯韦方程与电浆电流守恒方程耦合中的齐次与非齐次系数，在数据有限且存在噪声的情况下仍保持高精度，展示了对采样区域外的泛化能力。

ABSTRACT

Deriving governing equations in Electromagnetic (EM) environment based on first principles can be quite tough when there are some unknown sources of noise and other uncertainties in the system. For nonlinear multiple-physics electromagnetic systems, deep learning to solve these problems can achieve high efficiency and accuracy. In this paper, we propose a deep learning neutral network in combination with sparse regression to solve the hidden governing equations in multiple-physics EM problem. Pareto analysis is also adopted to preserve inversion as precise and simple as possible. This proposed network architecture can discover a set of governing partial differential equations (PDEs) based on few temporalspatial samples. The data-driven discovery method for partial differential equations (PDEs) in electromagnetic field may also contribute to solve more sophisticated problem which may not be solved by first principles.

研究动机与目标

• 开发一种数据驱动方法，用于发现当第一性原理推导不可行时，复杂、非线性、多物理场电磁系统中的控制PDE。
• 实现在稀疏时间-空间数据样本中准确识别PDE中齐次与非齐次系数的能力。
• 将所发现的PDE模型泛化至测量数据范围之外，支持在未采样参数空间中的预测。
• 通过结合基于神经网络的微分与鲁棒稀疏回归及Pareto优化，应对噪声数据带来的挑战。
• 扩展现有PDE发现框架，以处理具有非齐次系数的耦合、非线性、时变系统，如电磁-电浆相互作用。

提出的方法

• 统一的深度神经网络架构整合CNN，通过约束卷积滤波器近似空间导数，替代传统有限差分方法。
• 网络包含一个系数回归模块，用于学习未知的PDE系数，其中非齐次项以三角级数形式建模。
• 应用稀疏回归从候选函数字典中选择相关项，确保模型的简洁性与可解释性。
• 采用Pareto分析平衡模型精度与稀疏性，优化保真度与复杂度之间的权衡。
• 在神经网络内部使用自动微分计算解的导数，实现PDE发现过程的端到端训练。
• 该框架在有限的时间-空间样本上进行训练，网络学习从数据中重建底层PDE结构。

实验结果

研究问题

• RQ1 当第一性原理推导不可行时，深度学习框架能否从稀疏数据中发现非线性、多物理场电磁系统的控制PDE？
• RQ2 该方法在耦合PDE（如麦克斯韦方程与电浆电流守恒）中，能否准确识别齐次与非齐次系数？
• RQ3 所发现的模型在多大程度上能泛化至训练数据范围之外，预测物理行为？
• RQ4 在噪声条件下，该方法的鲁棒性如何，特别是当数值导数不稳定时？
• RQ5 该框架能否在极少先验知识下，通过在学习到的参数张量上应用稀疏回归，推断非齐次系数的函数形式？

主要发现

• 该方法成功识别出主导项 $ A_1 \sin(kz) $，其中 $ A_1 = 0.5036 $，与真实值 0.5 非常接近，其余项如预期被抑制。
• 识别出的非齐次系数 $ \omega_p^2 \sim 0.5036\sin(3.360z) + 0.9951 $ 密切逼近真实形式 $ 0.5\sin(3.142z) + 1 $，空间采样范围为 $ z = 240-260 $。
• 仅使用20个空间点和10个时间点样本，模型即实现了对非齐次系数的准确预测，并成功泛化至训练区域之外。
• 在 $ 40\,\text{dB} $ 信噪比噪声条件下，识别出的模型为 $ \omega_p^2 \sim 0.5897\sin(3.360z) + 1.082 $，显示中等误差但仍保持函数形式的正确性。
• 该框架在存在噪声数据时表现出对PDE系数识别的鲁棒性，尽管误差主要归因于神经网络训练与导数估计过程。
• 该方法可泛化至参数空间的未采样区域，实现对测量数据范围之外的预测建模。