Physikbasiertes Machine Learning

Erweitern von Deep-Learning-Workflows auf physikbasiertes Machine Learning (PIML) und physikbasierte neuronale Netze (PINN)

Verwenden Sie Deep Learning Toolbox™ für physikbasiertes Machine Learning (PIML) und physikbasierte neuronale Netze (PINN).

Physikbasiertes Machine Learning (PIML) und physikbasierte neuronale Netze beziehen sich auf Machine-Learning- und Deep-Learning-Konzepte, bei denen Sie Gesetze und Prinzipien physikalischer Systeme in Ihre Machine-Learning-Modelle integrieren können. Eine Integration dieser Konzepte kann die Präzision und Robustheit dieser Modelle verbessern und sicherstellen, dass die Modellvorhersagen diese Gesetze und Prinzipien befolgen. Beispielsweise können Sie mithilfe einer Verlustfunktion, die die Gesetze der Thermodynamik umfasst, ein neuronales Netz trainieren, dass die Wärmeübertragung modelliert.

Funktionen

alle erweitern

Schichten neuronaler Netze

`neuralODELayer`	Neural ODE layer (Seit R2023b)
`complexToRealLayer`	Complex-to-real layer (Seit R2024b)
`realToComplexLayer`	Real-to-complex layer (Seit R2024b)
`complexReluLayer`	Complex rectified linear unit (ReLU) layer (Seit R2025a)

Automatische Differenzierung

`dlarray`	Deep learning array for customization
`dlgradient`	Compute gradients for custom training loops using automatic differentiation
`dljacobian`	Jacobian matrix deep learning operation (Seit R2024b)
`dldivergence`	Divergence of deep learning data (Seit R2024b)
`dllaplacian`	Laplacian of deep learning data (Seit R2024b)
`dlfeval`	Evaluate deep learning model for custom training loops
`dlode45`	Deep learning solution of nonstiff ordinary differential equation (ODE) (Seit R2021b)

Themen

Solve PDE Using Fourier Neural Operator
This example shows how to train a Fourier neural operator (FNO) neural network that outputs the solution of a partial differential equation (PDE).
Solve PDE Using Physics-Informed Neural Network
This example shows how to train a physics-informed neural network (PINN) to predict the solutions of an partial differential equation (PDE).
Solve ODE Using Physics-Informed Neural Network
This example shows how to train a physics-informed neural network (PINN) to predict the solutions of an ordinary differential equation (ODE).
Train Latent ODE Network with Irregularly Sampled Time-Series Data
This example shows how to train a latent ordinary differential equation (ODE) autoencoder with time-series data that is sampled at irregular time intervals.
Dynamical System Modeling Using Neural ODE
This example shows how to train a neural network with neural ordinary differential equations (ODEs) to learn the dynamics of a physical system.
Solve Inverse Problem for PDE Using Physics-Informed Neural Network
This example shows how to solve an inverse problem using a physics-informed neural network (PINN).
Solve Poisson Equation on Unit Disk Using Physics-Informed Neural Networks (Partial Differential Equation Toolbox)
Solve a Poisson's equation with Dirichlet boundary conditions using a physics-informed neural network (PINN).

Enthaltene Beispiele

Solve Heat Equation Using Graph Neural Network

Solve a heat equation with using a graph neural network (GNN).

(Partial Differential Equation Toolbox)