近几年来,深度学习无所不在,赋能于各个领域.尤其是人工智能与传统科学的结合(AI for science,AI4Science)引发广泛关注.在AI4Science领域,利用人工智能算法求解PDEs(AI4PDEs)已成为计算力学研究的焦点.AI4PDEs的核心是将数据与方程相融...近几年来,深度学习无所不在,赋能于各个领域.尤其是人工智能与传统科学的结合(AI for science,AI4Science)引发广泛关注.在AI4Science领域,利用人工智能算法求解PDEs(AI4PDEs)已成为计算力学研究的焦点.AI4PDEs的核心是将数据与方程相融合,并且几乎可以求解任何偏微分方程问题,由于其融合数据的优势,相较于传统算法,其计算效率通常提升数万倍.因此,本文全面综述了AI4PDEs的研究,总结了现有AI4PDEs算法、理论,并讨论了其在固体力学中的应用,包括正问题和反问题,展望了未来研究方向,尤其是必然会出现的计算力学大模型.现有AI4PDEs算法包括基于物理信息神经网络(physicsinformed neural network,PINNs)、深度能量法(deep energy methods,DEM)、算子学习(operator learning),以及基于物理神经网络算子(physics-informed neural operator,PINO).AI4PDEs在科学计算中有许多应用,本文聚焦于固体力学,正问题包括线弹性、弹塑性,超弹性、以及断裂力学;反问题包括材料参数,本构,缺陷的识别,以及拓朴优化.AI4PDEs代表了一种全新的科学模拟方法,通过利用大量数据在特定问题上提供近似解,然后根据具体的物理方程进行微调,避免了像传统算法那样从头开始计算,因此AI4PDEs是未来计算力学大模型的雏形,能够大大加速传统数值算法.我们相信,利用人工智能助力科学计算不仅仅是计算领域的未来重要方向,同时也是计算力学的未来,即是智能计算力学。展开更多
系统复杂性主要体现在种类和数量众多的组分和极其复杂的相互作用关系。结合目前人工智能的发展趋势,分析思考了对于仿真学科研究带来的思维方式变化,形成了对于仿真智能内涵和研究范畴的理解。提出一种复杂系统仿真研究的新模式:“以...系统复杂性主要体现在种类和数量众多的组分和极其复杂的相互作用关系。结合目前人工智能的发展趋势,分析思考了对于仿真学科研究带来的思维方式变化,形成了对于仿真智能内涵和研究范畴的理解。提出一种复杂系统仿真研究的新模式:“以决策为愿景的仿真智能(simulation intelligence based generating decisions,SIGD)”。在SIGD研究模式中,仿真学科中的相似性原理、建模方式以及决策引导模式都与传统仿真中的定位有一定的区别。在这种理念指导下,面向连接的仿真世界观成为一种刻画复杂系统的底层逻辑。以主体、连接和结构为基本元素,采用先自顶向下和自底向上相融合的方式编织以神经网络模型为计算单元的“网真”系统。在该系统中,采用代理建模的方式实现从机理模型到神经网络模型的模型变换,并且基于物理信息神经网络(PINN)和图信息神经网络(GINN)表达整个系统。给出了SIGD的技术实现框架:网真神CE平台作为复杂系统仿真新模式的解决方案,以人流仿真为例,探索了“网真”系统的构建过程。展开更多
文摘近几年来,深度学习无所不在,赋能于各个领域.尤其是人工智能与传统科学的结合(AI for science,AI4Science)引发广泛关注.在AI4Science领域,利用人工智能算法求解PDEs(AI4PDEs)已成为计算力学研究的焦点.AI4PDEs的核心是将数据与方程相融合,并且几乎可以求解任何偏微分方程问题,由于其融合数据的优势,相较于传统算法,其计算效率通常提升数万倍.因此,本文全面综述了AI4PDEs的研究,总结了现有AI4PDEs算法、理论,并讨论了其在固体力学中的应用,包括正问题和反问题,展望了未来研究方向,尤其是必然会出现的计算力学大模型.现有AI4PDEs算法包括基于物理信息神经网络(physicsinformed neural network,PINNs)、深度能量法(deep energy methods,DEM)、算子学习(operator learning),以及基于物理神经网络算子(physics-informed neural operator,PINO).AI4PDEs在科学计算中有许多应用,本文聚焦于固体力学,正问题包括线弹性、弹塑性,超弹性、以及断裂力学;反问题包括材料参数,本构,缺陷的识别,以及拓朴优化.AI4PDEs代表了一种全新的科学模拟方法,通过利用大量数据在特定问题上提供近似解,然后根据具体的物理方程进行微调,避免了像传统算法那样从头开始计算,因此AI4PDEs是未来计算力学大模型的雏形,能够大大加速传统数值算法.我们相信,利用人工智能助力科学计算不仅仅是计算领域的未来重要方向,同时也是计算力学的未来,即是智能计算力学。
文摘系统复杂性主要体现在种类和数量众多的组分和极其复杂的相互作用关系。结合目前人工智能的发展趋势,分析思考了对于仿真学科研究带来的思维方式变化,形成了对于仿真智能内涵和研究范畴的理解。提出一种复杂系统仿真研究的新模式:“以决策为愿景的仿真智能(simulation intelligence based generating decisions,SIGD)”。在SIGD研究模式中,仿真学科中的相似性原理、建模方式以及决策引导模式都与传统仿真中的定位有一定的区别。在这种理念指导下,面向连接的仿真世界观成为一种刻画复杂系统的底层逻辑。以主体、连接和结构为基本元素,采用先自顶向下和自底向上相融合的方式编织以神经网络模型为计算单元的“网真”系统。在该系统中,采用代理建模的方式实现从机理模型到神经网络模型的模型变换,并且基于物理信息神经网络(PINN)和图信息神经网络(GINN)表达整个系统。给出了SIGD的技术实现框架:网真神CE平台作为复杂系统仿真新模式的解决方案,以人流仿真为例,探索了“网真”系统的构建过程。
