Professional Documents
Culture Documents
مدل ()PINN
-2کارشناسی ارشد مهندسی کامپیوتر ،کارمند پژوهش سرای دانش آموزی ادیب آموزش و پرورش شهرستان مبارکه
-4کارشناسی ارشد مهندسی کامپیوتر ،دانشگاه آزاد اسالمی واحد نجف آباد
خالصه
امروزه استفاده از روشهای یادگیری عمیق برای موارد کاربرد صنعتی و پژوهشی به صورت معناداری گسترش پیدا
کرده است .همچنین کلیدی ترین مسئله در مدلسازی پدیده های فیزیکی حل معادالت دیفرانسیل جزئی است .برای حل
این معادال ت بسته به شرایط مسئله هزینه های محاسباتی زیادی صرف می شود .با استفاده از روش PINNمی توان این
مسائل را به سیستم آموزش داد و سپس از نتایج برای حل مسئله در موارد بعدی کمک گرفت .در این کار یک مسئله انتقال
جرم توسط روش های صریح و عددی حل شده و سپس نتایج آن برای آموزش مدل یادگیری عمیق()Deep learning
استفاده شده است.
کلمات کلیدی :یادگیری عمیق ،هوش مصنوعی ،معادالت دیفرانسیل جزئی ،حل صریح و عددی
.1مقدمه
شبکه عصبی یک الگوی برنامه نویسی الهام گرفته از زیستشناسی است که کامپیوتر را قادر میسازد تا از دادههای قابل مشاهده
یاد بگیرد .از تعداد زیادی عناصر پردازشی به هم پیوسته و نورونها تشکیل شده است که برای حل یک مسئله هماهنگ کار میکنند.
شبکه عصبی مصنوعی برای یک کاربرد خاص مانند تشخیص الگو یا طبقهبندی دادهها از طریق یک روش یادگیری پیکربندی شده است
[ .]1استفاده از شبکههای عصبی برای یادگیری نمایش ،دارای دو مزیت است :اول اینکه مهندسی ویژگی کار فشردهای است ،یادگیری
عمیق به طور خودکار یادگیری را از دادههای خام در روشهای نظارت نشده یا نظارت شده فراهم میکند .دوم برخالف مدلهای خطی،
شبکههای عصبی قادر به مدلسازی غیر خطی دادهها با توابع فعالساز مانند Tanh ،Sigmoid ،Reluهستند [.]2
یادگیری عمیق 1قسممتی از شمبکههای عصمبی مصمنوعی 2میباشمد که در سمال 1986توسم رینا دچتر معرفی شمد .پژوهشهایی
با اسممتفاده از یادگیری عمیق در زمینههای زیادی انجام شممدهاسممت که این پژوهشها در حوزههایی مانند تصممویربرداری پزشممکی،
حوزههای مرتب ،یادگیری عمیق هنوز به طور گسمترده در زمینه محاسمبات علمی اسمتفاده نشمدهاسمت [ .]4امروزه یکی از اسمتفادههای
یادگیری عمیق در زمینه محاسمبات علمی حل معادتت دیفرانسمیل میباشمد .اخیراً حل معادتت دیفرانسمیل لزیی ( 3) PDEsبه عنوان
مثال به شممکل دیفرانسممیل اسممتاندارد یا به شممکل انتگرال ،از طریق یادگیری عمیق به عنوان یک زیرشمماخه بالقوه لدید تحت عنوان
برخالف بسممیاری از مجموعه دادههای کالسممیک ،مجموعه دادههای PDEمیتوانند در مقیاس گیگابایت یا ترابایت بزرگ و
همچنمان شمممامل نقما داده کمی باشم منمد و بر خالف مجموعه دادههای معیمار یکپمارچه ماننمد ،ImageNetمجموعه دادهها برای هر کار
تقریبی PDEمختص آن کار اسمممت .هر مجموعهای از معادتت حاکم یا فرضمممیات طراحی آزمایش منجر به مجموعه داده مجزایی از
نمونههای PDEمیشمود [ .]5برای به دسمت آوردن راه حل تقریبی یک PDEاز طریق یادگیری عمیق ،یک گام کلیدی محدود کردن
شمبکه عصمبی برای به حداقل رسماندن باقیمانده PDEاسمت و چندین رویکرد برای انجام این کار پیشمنهاد شمدهاسمت .در مقایسمه با
روشهای مبتنی بر روش سمنتی ،مانند روش تفاضمل محدود ( 5)FDMو روش الزای محدود ( ،6)FEMیادگیری عمیق با بهرهگیری از
می توان برای انواع خاصمی از مشمکالت ،مانند دامنه ورودی تصمویر مانند یا PDE در میان این رویکردها ،برخی از آنها را فق
های سهمی وار اعمال کرد .برخی از پژوهشگران شکل متغیر PDEها را اتخاذ میکنند و عملکرد انرژی مربوطه را به حداقل میرسانند
با این حال ،همه PDEها را نمیتوان از یک عملکرد شمناخته شمده اسمتخرار کرد ،و بنابراین پیش بینیهای نوع Galerkinنیز در نظر
گرفته شمدهاسمت .روش دیگر ،میتوان مسمتقیماً از فرم قوی PDEinاسمتفاده کرد .در این حالت ،تمایز خودکار میتواند به طور مسمتقیم
برای للوگیری از خطاهای برش و خطاهای چهارگانه عددی اشمکال تغییرات اسمتفاده شمود .این رویکرد قوی ،با ایجاد مفهوم شمبکههای
عصمبی با اطالعات فیزیک ( 7)PINNمعرفی شد [PINN .]4یک نوع شبکه عصبی برای حل PDEها با استفاده از معادتت فیزیکی به
عنوان محدودیتهای عملیاتی اسمت .به عبارت دیگر میتوان گفت PINNاز شمبکههای عصمبی ،اطالعات فیزیکی و مکانیسممهای
عنوان یک لز خاص از xو Ωشمامل دامنه زمانی در نظر گرفته میشمود .شمرای اولیه را می توان به سمادگی به عنوان نوع خاصمی از
لو لو و همکاران ( )2021لهت پیادهسممازی الگوریتمهای مختلف PINNازکتابخانه DeepXDEدر پایتون اسممتفاده کردهاند.
DeepXDEیک کتابخانه یادگیری عمیق برای حل معادتت دیفرانسممیل میباشممد که می توان آن را برای حل مسممایل چندفیزیکی
مورد اسمتفاده قرار داد و از حوزههای هندسمه پیچیده بر اسماس تکنیک هندسمه لامد سمازنده ( 1)CSGپشمتیبانی میکند ،بنابراین از انجام
.2روش و مراحل
باید ابتدا شرای اولیه مناسب تعریف شود .شر اولیه طبق زیر تعریف میشود:
𝑥𝑠𝑖𝑛2
𝑦(𝑥, 0) = 𝑠𝑖𝑛𝑥 + ]𝜋 𝑥 ∈ [−𝜋, )(3
2
برای رسیدن به کمترین میزان خطای مطلوب 20000بار تکرار در نظر گرفته شد .میزان train loss: 1.69e-05است و
.3بحث و بررسی
برای بررسی نتیجه این مدل و همچنین میزان دقت این مدل و روش PINNباید نتیجه حل این مسئله را توس روش تبیین
شده و حل صریح مولود بررسی کنیم .برای مقایسه طبق شکل ( )2به بررسی مقایسه حل ها پرداخته خواهد شد.
اکنون ،معادله PDEو شبکه را داریم .ما یک مدل می سازیم و بهینه ساز و نرخ یادگیری را انتخاب می کنیم .سپس مدل را
شکل ( : )2حل معادله انتقال لرم در طول زمان برای روش صریح و PINN
.توس این روش تعریف شده که توانایی حل این معادله را کامال داراست
نتیجهگیری.4
با توجه به نتایج بدست آمده از حل صریح و عددی معادله انتقال جرم و سپس مدل کردن این معادله در هندسه
مدل تعریفی، که به صورت پیش رونده انجام شدPINN مشخص و در انتها آموزش این اطالعات و روند ها به مدل تعریفی
بود که از لحاظ دقت کامال قابل قبول و دقیق محسوبtest loss: 1.98e-05 یادگیری عمیق در مجموع دارای خطای متوسط
.می شود و نشان دهنده این است که این مدل بخوبی توانسته است روند حل این معادله را پیش بینی کند
مراجع.5
1. Lopez, M.M. and J. Kalita, Deep Learning applied to NLP. arXiv preprint
arXiv:1703.03091, 2017.
2. Huang, Z., et al., Recent trends in deep learning based open-domain
textual question answering systems. IEEE Access, 2020. 8: p. 94341-94356.
3. Widiastuti, N. Deep Learning–Now and Next in Text Mining and Natural
Language Processing. in IOP Conference Series: Materials Science and Engineering. 2018.
IOP Publishing.
4. Lu, L., et al., DeepXDE: A deep learning library for solving differential
equations. SIAM Review, 2021. 63(1): p. 208-228.
5. Takamoto, M., et al., PDEBench: An extensive benchmark for scientific
machine learning. arXiv preprint arXiv:2210.07182, 2022.
6. Lu, Y., G. Mei, and F. Piccialli, A Deep Learning Approach for Predicting
Two-dimensional Soil Consolidation Using Physics-Informed Neural Networks (PINN).
arXiv preprint arXiv:2205.05710, 2022.
http://chemistryeng.bcnf.ir 5 صفحه