Time-dependent wave equations represent an important class of partial differential equations (PDE) for describing wave propagation phenomena, which are often formulated over unbounded domains. Given a compactly supported initial condition, classical numerical methods reduce such problems to bounded domains using artificial boundary condition (ABC). In this work, we present a machine-learning method to solve this equation as an alternative to ABCs. Specifically, the mapping from the initial conditions to the PDE solution is represented by a neural network, trained using wave packets that are parameterized by their band width and wave numbers. The accuracy is tested for both the second-order wave equation and the Schrodinger equation, including the nonlinear Schrodinger. We examine the accuracy from both interpolations and extrapolations. For initial conditions lying in the training set, the learned map has good interpolation accuracy, due to the approximation property of deep neural networks. The learned map also exhibits some good extrapolation accuracy. Therefore, the proposed method provides an interesting alternative for finite-time simulation of wave propagation.


翻译:取决于时间的波方程式代表了描述波波传播现象(PDE)的一个重要的局部差异方程式类别(PDE),波传播现象往往在不受约束的域域上形成。根据一个紧密支持的初步条件,古典数字方法将这类问题用人工边界条件(ABC)降低到封闭域。在这项工作中,我们提出了一个机器学习方法来解决这个方程式,作为ABC的替代。具体地说,从初始条件到PDE溶液的映射由神经网络代表,经过培训的波包使用其波宽和波数参数的波包进行参数测量。第二波方程式和Schr ⁇ odinger方程式的精确度都经过测试,包括非线性Schrodinger的精确度。我们研究了来自内插和外推的精确度。对于训练组的初始条件,由于深神经网络的近似特性,所学地图具有良好的内插精确度。因此,所学的地图还显示了一些好的外推精确性。因此,拟议的方法为波波的定时模拟模拟提供了一种有趣的替代方法。

0
下载
关闭预览

相关内容

机器学习系统设计系统评估标准
专知会员服务
50+阅读 · 2020年12月14日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
【CMU】机器学习导论课程(Introduction to Machine Learning)
专知会员服务
59+阅读 · 2019年8月26日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Machine Learning:十大机器学习算法
开源中国
20+阅读 · 2018年3月1日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
14+阅读 · 2020年12月17日
Optimization for deep learning: theory and algorithms
Arxiv
104+阅读 · 2019年12月19日
Arxiv
6+阅读 · 2018年10月3日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Machine Learning:十大机器学习算法
开源中国
20+阅读 · 2018年3月1日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员