|
第4届北京等贤大模型PINN培训班第一轮通知发布日期:2025年06月21日 培训简介 物理信息神经网络(Physics-Informed Neural Networks, PINN)作为深度学习与科学计算交叉融合的前沿方向,正重新定义复杂系统建模与优化的方法论体系。与传统数据驱动方法不同,PINN通过将物理定律(如偏微分方程、守恒律等)作为软约束嵌入神经网络,实现了对物理规律的可解释性表达与高效求解。这一突破性框架在多个领域展现出强大的应用潜力:在流体力学中,PINN能够高精度模拟湍流、边界层等复杂流动现象;在材料科学领域,它被用于预测晶体生长、相变动力学等微观演化过程;在地球物理勘探中,PINN为地震波反演、地下资源探测提供了新的计算工具;而在生物医学工程中,它正推动着从细胞迁移到组织力学行为的精准建模。随着物理先验知识的深度融入与计算框架的持续优化,PINN不仅为解决高维、非线性科学问题提供了通用平台,更开启了人工智能赋能基础科学研究的新篇章。 培训目标 课程旨在逐步引导学员掌握神经网络和物理信息神经网络(PINN)的理论知识和实践技能。从基础的神经网络架构开始,课程内容逐步深入到PINN在不同领域的应用,并教授学员如何使用DeepXDE工具包来简化PINN模型的开发和训练。学员将学习搭建深度学习环境,设计多层感知机等深度神经网络,并应用于解决实际问题。课程重点探讨PINN如何结合物理定律和数据驱动学习,解决正问题和逆问题,以及在流体力学、固体力学等领域的应用。此外,学员还将学习PINN在处理耦合系统和复杂系统中的应用,如热流耦合和电池系统预测。最后,课程将提升学员对PINN优化技巧的理解,并介绍DeepXDE工具包的使用,以解决物理和化学领域的实际问题。 培训授课讲师 PINN(物理知识神经网络)与深度学习课程由来自全国重点大学、国家“985工程”、“211工程”重点高校老师主讲。在机器学习领域具有深厚的理论基础和实践经验,特别是在运用深度学习技术解决复杂科学问题方面。研究成果已经多次在国际权威期刊上发表累计30余篇。老师不仅在学术研究上成就斐然,而且在教学工作中也表现出极高的热情和才华。他的授课风格通俗易懂,能够将抽象的理论知识和复杂的计算方法讲解得生动有趣,使得学员们能够轻松理解并掌握。
培训内容大纲 Day 1 微分方程(PDE)其实很简单:PDE=守恒(对流、扩散)+本构 1. 守恒关系与本构导出微分方程 (1). 如何用数学公式表达守恒方程? 1.1. 扩散项的数学表达 1.2. 对流项的数学表达 1.3. 扩散项+对流项=守恒 1.4. 看懂学术论文中的张量表达 (2). 本构方程 2.1. 传热方程的本构 2.2. 渗流方程的本构 2.3. 线弹性固体方程的本构 2.4. 塑性本构 2.5. 流体方程的本构 2. 没有解析解?如何近似求解微分方程? 2.1. 从无限到有限的基本思想 2.2. 有限差分法:用差分代替微分 2.3. 有限单元法:非结构化网格 2.4. 如何生成参考解:Comsol与Abaqus入门与数据生成 3. Python编程:从入门到API调用 3.1. Python程序运行:命令行、Debug、Jupyter notebook 3.2. Python计算器:Numpy和Scipy 3.3. 机器学习API:scikit-learn 3.4. 如何在服务器上运行python程序 Day 2 深度学习?不同格式的数据处理而已! 4. 向量输入:全连接神经网络 4.1 激活函数 4.2 神经元 4.3自动微分方法 4.4损失函数的构建与正则化 4.5最优化方法 4.6. 实践:基于Pytorch建立深度神经网络模型并调优 5. 二维结构化数据(图像)输入:卷积神经网络 5.1 为什么不用全连接网络处理图像? 5.2 CNN的基本结构 5.3 卷积核如何构建 5.4 Stride,pooling5.5 Softmax 多分类 6 其它神经网络 6.1. 图网络 6.2. 循环神经网络 6. 动力学问题的PINN解法 6.1. 数据驱动神经网络的优点与缺点 6.2. 什么是PINN?物理+数据 6.3. PINN初探:参数敏感性分析 Day 3 学术PINN进阶 7. 开山之作:基于强形式的PINN PINN开山之作:Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations 一、背景与起源 传统数值方法面临的挑战数据驱动方法的优势与局限性物理信息神经网络的提出背景二、基本原理 整体框架设计思路多目标损失函数的构建方法自动微分技术的核心作用 三、正问题应用实例:Burgers方程求解 问题特性与求解难点网络设计与训练策略结果分析与验证 四、反问题求解:参数识别应用 问题建模与数据要求物理模型与网络参数协同优化典型应用场景示例 五、发展趋势与挑战复杂问题拓展应用当前存在的技术难点 未来发展方向展望 8. 重要分支:基于变分形式的深度能量法 深度能量/深度里兹法物理数据双驱动网络 Deep energy method/Deep Ritz method,DEM,DRM,中科院一区TOP数值计算顶刊CMAME:An energy approach to the solution of partial differential equations in computational mechanics via machine learning: Concepts, implementation and applications 一、背景与动机 计算力学的能量变分原理传统数值方法的局限神经网络参数化与物理驱动的新范式 二、理论基础 最小势能原理与深度学习目标的同构性势能泛函转化为损失函数的框架能量法在满足物理约束与规避离散困难上的优势 三、实现方法 应变能与边界条件的损失函数设计自动微分在能量梯度计算中的关键作用从场参数化到模型训练的实现流程 四、典型案例分析 线弹性静问题求解超弹性材料大变形分析与传统方法及数据驱动模型的性能对比 五、总结与展望 方法优势:精度、效率当前挑战与局限未来发展方向 9. 还在自己从头写代码?使用DeepXDE! 一、入门指南 DeepXDE 核心特性与优势本地与云端环境配置核心模块概览与首个实例:一维泊松方程求解 二、几何与边界条件 基础与复杂几何(含时空域)的定义各类边界条件的编码实现初始条件的设置方法 三、控制方程定义 使用 Lambda 函数快速定义 PDE自定义算子与高阶方程处理多未知数方程组与反问题参数设置 四、网络配置与优化 网络架构与激活函数选择权重初始化策略的影响损失函数的平衡与权重配置 五、实战案例解析 一维 Burgers 方程激波捕捉二维稳态/非稳态热传导求解反问题:拉普拉斯方程源项反演高维参数化PDE快速求解 Day 4 PINN发子刊?流体力学PINN 10. 基于弱形式的科学发现和PINN正反分析 中科院一区顶刊论文复现,A physics-informed data-driven approach for consolidation analysis 一、引言 研究背景:数据驱动识别与控制方程求解的挑战与潜力研究目标:从测量数据中自动恢复渗流理论并求解方法论概述:结合稀疏回归、物理信息网络与弱形式PDE 二、方法框架设计 整体流程:从数据到方程识别与不确定性量化的集成策略稀疏回归在控制方程结构识别中的应用物理信息神经网络(PiNet)的构建与求解机制变换的弱形式PDE方法及其抗噪声特性基于蒙特卡洛Dropout的不确定性量化 三、案例研究:渗流方程识别与验证 数据准备与问题描述方程识别结果:固结偏微分方程的准确提取抗噪声性能分析:方法在噪声数据下的鲁棒性验证 四、正问题求解与逆分析潜力 PiNet求解结果与实际结果的对比验证方法在逆问题分析中的准确性与有效性 五、结论与展望 方法优势总结:通用性、自动化与辅助验证能力 11.不可压缩层流的混合形式求解方案 一、引言 研究背景:物理启发的深度学习在计算物理中的兴起核心思想:通过物理定律约束神经网络,实现数据高效建模研究内容:提出用于流体动力学的PINN混合变量方案,应用于低雷诺数层流模拟 二、方法设计:混合变量PINN框架 物理信息神经网络(PINN)的基本原理混合变量方案的构建与实现损失函数设计:嵌入流体控制方程残差 三、数值实验与参数研究 稳态与瞬态层流模拟设置混合变量方案对可训练性与求解精度的提升分析 四、结果分析与讨论 速度场与压力场的预测结果与参考数值解的对比验证方法精度与有效性的评估 五、结论与展望 混合变量PINN在流体模拟中的潜力总结未来研究方向与应用前景 12. 仅修改loss就可以获得巨大改进?考虑因果关系! 中科院一区TOP数值计算顶刊CMAME:Respecting causality for training physics-informed neural networks 一、引言 研究背景与PINN基本原理流体模拟的挑战与PINN优势本文工作与创新点概述 二、混合变量PINN方法构建 控制方程与传统PINN局限混合变量理论框架网络结构与损失函数设计 三、数值实验与分析 稳态与瞬态流动案例设置变量方案对训练与精度的影响结果对比与误差分析 四、结论与展望 方法优势与应用价值总结当前局限与未来研究方向 13. PINN流体力学Nature子刊 基于物理编码的循环卷积网络(PeRCNN) 12.1. 方法概述:物理编码的时空学习框架 12.2. 核心架构:PeRCNN与通用∏块设计 12.3. 正向应用:偏微分方程系统求解 12.4. 反向应用:参数反演与方程发现 12.5. 能力验证:模型的强泛化性能 Day 5 PINN在固体力学中应用 + PINN的库SciANN讲解 + 大模型辅助编程 14. SciANN求解固体力学问题 一、 SciANN概述 二、环境安装与配置 三、核心概念与基础API 四、正向问题求解:物理信息神经网络(PINN)实现 五、反问题应用:参数识别与模型反演 六、高级特性与网络架构定制 七、实例研究与应用技巧 15. 深度能量法vsPINN 中科院一区TOP数值计算顶刊Computers and Geotechnics: A Comprehensive Investigation of Physics-Informed Learning in Forward and Inverse Analysis of Elastic and Elastoplastic Footing 10.1. Footing问题背景与Ritz方法(正问题) - 问题背景:Footing问题的物理意义与工程应用 - 数学模型:Footing问题的数学描述与控制方程 - Ritz方法:Ritz方法在正演建模中的应用与实现 - PINN框架:论文中PINN实现的核心思路与框架解读 10.2. Footing问题的逆问题求解 - 损失函数构建:PINN中物理驱动损失函数的设计与实现 - 自适应采样:自适应采样方法的原理与实现细节 - 指数加速:逆问题求解中的指数加速技术 - 代码复现与结果分析:代码实现与结果分析(数据集大小、高斯噪声的影响) 16. PINN解决固体力学的应力集中问题 计算力学顶刊Journal of Computational Physics:The mixed Deep Energy Method for resolving concentration features in finite strain hyperelasticity 3.1 框架概述:从纯位移公式到混合公式 3.2 网络输出:位移与应力的联合计算 3.3 边界处理:Neumann边界条件的精确近似 3.4 积分方案:Delaunay方法处理随机训练点 3.5 性能对比:在应力集中问题上超越PINN与DEM 3.6 应用展示:正向计算 17. 不同大模型生成PINN代码 1 DeepSeek大模型简介 2. DeepSeek大模型生成PINN代码求解PDE 2.1. Prompt与任务分解 2.2. 代码运行、可视化和Debug3. ChatGPT大模型生成PINN代码求解PDE 3.1. Prompt与任务分解 3.2. 代码运行、可视化和Debug 4. DeepSeek、Chat GPT、Grok大模型生成PINN代码效果对比
课程特色及授课方式
线上授课时间和地点自由,建立专业课程群进行实时答疑解惑,理论+实操授课方式结合大量实战案例与项目演练,聚焦人工智能在PINN领域的最新研究进展,课前发送全部学习资料,课程提供全程答疑解惑; 完全贴合学员需求的课程体系设计,定期更新的前沿案例,由浅入深式讲解,课后提供无限次回放视频,免费赠送二次学习,发送全部案例资料,永不解散的课程群,可以与相同领域内的老师同学互动交流问题,让求知的路上不再孤单!
增值服务 1、凡参加人员将获得本次课程学习资料及所有案例模型文件; 2、课程结束可获得本次所学专题全部回放视频; 3、课程会定期更新前沿内容,参加本次课程的学员可免费参加一次本单位后期举办的相同专题课程(任意一期) 课程会议完毕后老师长期解疑,课程群不解散,往期会议学员对于会议质量和授课方式一致评价极高! 学员对于会议答疑给予高度评价!
授课时间 深度学习PINN: 2025.08.18----2025.08.19(上午9.00-11.30下午13.30-17.00) 2025.08.23----2025.08.24(上午9.00-11.30下午13.30-17.00) 腾讯会议 线上授课(共五天课程 提供全程视频回放) 课程费用 每人每班:4980元 往届学员的优惠:为便于往届学员获得后来历届培训里增加的大量新知识,,参加过以往任意一届北京等贤培训班的学员可享受8折优惠!报名时请主动在邮件里说明。
报名方式
联系人:陈老师 咨询电话:15652523032(微信同号)
相关事项(必读!) 1、每个学员在报名后都会提供盖有公章的邀请函。 2、若有任何问题需要咨询或沟通,请发送邮件至13169611059@qq.com。 3、郑重声明:北京等贤的培训讲义、录音以及培训中提供的一切电子资料,皆仅限学员自己学习使用,严禁私下复制、传播、盗卖,不得发布至网络上公开平台,否则必将被严厉追究法律责任、要求赔偿经济损失,情节严重的还将在网络上予以公示、向涉事者所在学校/单位进行通报。报名本培训视为认可本条款。 4、报名后允许取消报名,决定取消报名时应尽早通知我们。如果在报名后因为不可抗力而不得不取消报名,一次无妨,但如果反复出现多次在报名后又取消报名的情况(特别是到了培训快开始,我们发催款通知后才说要取消报名),将会影响信誉,导致在报名未来北京等贤的培训时降低受理的优先级,或者不再接受。如果报名后,我们尝试通过报名表中的各种联系方式联系报名者但经过数日都没有收到任何回复,本次报名将作废,且报名未来的培训时将不再受理。我们希望发来报名表的都是真心要参加培训学习知识的人,请尽量避免浪费有限的培训名额。
|

