PinnDE: Physics-Informed Neural Networks for Solving Differential Equations

要約

近年、微分方程式を解くための深層学習の研究が大幅に成長しています。
物理情報に基づくニューラル ネットワーク (PINN) とディープ オペレーター ネットワーク (DeepONets) の使用は、機械学習を使用して微分方程式解を近似する際の 2 つの最も有用なアプローチとして浮上しています。
ここでは、PINN と DeepONets の両方で微分方程式を解くためのオープンソース Python ライブラリである PinnDE を提案します。
PINN と DeepONets の両方について簡単にレビューし、パッケージの構造と使用法とともに PinnDE を紹介し、PINN と DeepONets の両方でソリューションを近似する際の PinnDE の有効性を示す実際の例を示します。

要約(オリジナル)

In recent years the study of deep learning for solving differential equations has grown substantially. The use of physics-informed neural networks (PINNs) and deep operator networks (DeepONets) have emerged as two of the most useful approaches in approximating differential equation solutions using machine learning. Here, we propose PinnDE, an open-source python library for solving differential equations with both PINNs and DeepONets. We give a brief review of both PINNs and DeepONets, introduce PinnDE along with the structure and usage of the package, and present worked examples to show PinnDE’s effectiveness in approximating solutions with both PINNs and DeepONets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google