Neuronske mreže podržane fizičkim zakonima
Neuronska mreža potkrepljena fizičkim zakonima (u daljem tekstu NMPFZ) je tehnika mašinskog učenja koja može se koristiti za aproksimaciju rešenja parcijalne diferencijalne jednačine. Parcijalne diferencijalne jednačine sa odgovarajućim početnim i graničnim uslovima mogu se izraziti u opštem obliku kao:
Ovde je \(\mathcal{N}\) diferencijalni operator, \(X \in {\Omega \subseteq R}^{d}\) i \(t \in R\) predstavljaju prostorne i vremenske koordinate, respektivno, dok je \(\Omega \subseteq R\) celokupni domen problema. \(\Omega_{g} \subseteq \Omega\) predstavlja računski domen graničnih uslova, \(u(X,t)\) je rešenje parcijalne diferencijalne jednačine sa početnim uslovom \(h(X)\) i graničnim uslovom \(g(X,t)\). Ovakva formulacija se takođe može primeniti i na parcijalne diferencijalne jednačine višeg reda, pošto se jednačine višeg reda mogu napisati i u obliku sistema jednačina prvog reda.
U originalnoj formulaciji Raissi et al. [RPK19], NMPFZ se sastoji od dve podmreže:
aproksimator mreže i
rezidualne mreže.
Aproksimator mreža prima ulaz \((X,t)\), prolazi kroz proces obuke i kao izlaz daje približno rešenje \(\widehat{u}(X,t)\) parcijalne diferencijalne jednačine. Mreža aproksimatora se trenira na mreži tačaka, tzv. kolokacionih tačaka, uzorkovanih iz domena problema. Težine i pristrasnosti (eng. bias) aproksimator mreže su parametri koji se mogu trenirati minimiziranjem kompozitne funkcije gubitka u sledećem obliku:
gde su
Ovde, \(\mathcal{L}_{r}\), \(\mathcal{L}_{0}\) i \(\mathcal{L}_{b}\) predstavljaju reziduale osnovne diferencijalne jednačine, početnih i graničnih uslova, respektivno. Pored toga, \(N_{r}\), \(N_{0}\) i \(N_{b}\) su brojevi kolokacionih tačaka domena problema, domena početnih i graničnih uslova, respektivno. Ovi reziduali se izračunavaju komponentom NMPFZ modela koji se ne obučava, a zove se rezidualna mreža. Da bi se izračunao gubitak \(\mathcal{L}_{r}\), NMPFZ zahteva izvode izlaza u odnosu na ulaze. Taj račun se postiže tzv. automatskom diferencijacijom.
Automatska diferencijacija je ključni pokretač razvoja NMPFZ-a i ključni je element koji razlikuje NMPFZ od sličnih nastojanja 90-ih godina prošlog veka. Na primer, Psichogios and Ungar [PU92] i Lagaris et al. [LLF98] su se oslanjali na manuelno izvođenje pravila propagacije unazad. Danas se računa na automatsku diferencijaciju koja je implementirana u većini okvira za duboko učenje, kao što su Tensorflow i PyTorch. Na ovaj način izbegavamo numeričku diskretizaciju tokom računanja izvoda svih redova u prostor-vremenu.
Šema tipičnog NMPFZ-a je prikazana na Sl. 1 na kojoj je jednostavna parcijalna diferencijalna jednačina \(\frac{\partial f}{\partial x} + \frac{\partial f}{\partial y} = 0\) iskorišćena kao primer. Kao što je prikazano, mreža aproksimatora se koristi za aproksimaciju rešenja \(u(X,t)\), koje zatim ide na rezidualnu mrežu za izračunavanje funkcije gubitka diferencijalne jednačine \(\mathcal{L}_{r}\), gubitka graničnih uslova \(\mathcal{L}_{b}\), i gubitka početnih uslova \(\mathcal{L}_{0}\). Težine i pristrasnosti aproksimatorske mreže obučeni su korišćenjem prilagođene funkcije gubitka koja se sastoji od reziduala \(\mathcal{L}_{r}\), \(\mathcal{L}_{0}\), i \(\mathcal{L}_{b}\) kroz tehniku gradijenta spuštanja zasnovanu na propagaciji unazad.
![../_images/pinn.png](../_images/pinn.png)
Sl. 1 Arhitektura NMPFZ-a i standardna petlja za obuku NMPFZ-a konstruisana za rešavanje jednostavne parcijalne diferencijalne jednačine, gde PDE i Cons označavaju jednačine, dok R i I predstavljaju njihove reziduale. Mreža aproksimatora je podvrgnuta procesu obuke i daje približno rešenje. Rezidualna mreža je deo NMPFZ-a koji se ne obučava i koji je sposoban da izračuna izvode izlaza aproksimatorske mreže u odnosu na ulaze, što rezultira kompozitnom funkcijom gubitka, označenom sa MSE.
U narednoj sekciji Primer konstrukcije funkcije gubitka opisaćemo kako bi izgledala konstrukcija kompozitne funkcije gubitka za logističku jednačinu.