滑坡跑程模拟不再逐步解方程:物理约束神经网络单步约10毫秒,110秒全程提速约50倍
滑坡跑程预测通常依赖求解深度平均流动方程的数值模拟,参数扫描时反复计算代价很高。一个受物理约束的神经网络被训练成按固定时间间隔推进的单步替代器,输入当前厚度与速度场,直接给出下一时刻的场。在测试集上,单步厚度与速度的均方根误差约为0.06米和0.11米每秒;自回归推进110步后约为0.21米和0.09米每秒,全程耗时约1.1秒,而数值求解器约需16.7秒。
滑坡跑程预测通常依赖求解深度平均流动方程的数值模拟,参数扫描时反复计算代价很高。一个受物理约束的神经网络被训练成按固定时间间隔推进的单步替代器,输入当前厚度与速度场,直接给出下一时刻的场。在测试集上,单步厚度与速度的均方根误差约为0.06米和0.11米每秒;自回归推进110步后约为0.21米和0.09米每秒,全程耗时约1.1秒,而数值求解器约需16.7秒。
给只含分子描述符的有机光伏器件预测流程加一条形貌输入通道后,3HT十聚体:JSM5共混体系的混合模型PCE预测从约4.0%升到约4.5%,PCNN单独从约2.4%升到约3.7%。这条通道用的是从器件目标残差学出的潜变量占位槽,预测时填入分子动力学导出的形貌描述符;由于潜变量由目标导出,这一变化反映的是流程对MD输入的响应,不能归因于模拟形貌的物理效应。
已读完全部报道