物理信息驱动深度学习相关报告总结

物理信息驱动深度学习相关报告

• 内嵌物理的深度学习，机器之心。

  • 报告人：麻省理工学院陆路老师。
  • 报告内容：本次分享将回顾将物理知识嵌入机器学习的一些趋势，介绍当前的一些常用方法，包括内嵌物理的神经网络（physics-informed neural networks，PINNs）、多保真度神经网络（nulti-fidelity neural networks）和深度算子网络（DeepONet），同时还将讨论这些方法在求解物理和工程问题上的一些应用，特别是在反问题求解上的应用。
  • PPT：https://lululxvi.github.io/files/talks/2021Synced.pdf

• A Short Introduction to Physics InformedNeural Networks (PINNs)，b站。

  • 报告人：李军博士，谢毅博士，殷会敏博士，刘旭博士。

• 气动优化设计中的可解释可迁移机器学习研究，WS-FTNCFD-2022。报告人：清华大学李润泽博士。

• leaning operators using deep neural networks for diverse application，哔哩哔哩。

  • 报告人：麻省理工学院陆路老师。
  • 该报告主要介绍了陆路老师关于deeponet相关工作。