A finite element-based physics-informed operator learning framework for spatiotemporal partial differential equations on arbitrary domains
作者: Yusuke Yamazaki, Ali Harandi, Mayu Muramatsu, Alexandre Viardin, Markus Apel, Tim Brepols, Stefanie Reese, Shahed Rezaei
分类: cs.LG
发布日期: 2024-05-21 (更新: 2024-08-06)
期刊: Eng. Comput., 1-29 (2024)
DOI: 10.1007/s00366-024-02033-8
💡 一句话要点
提出基于有限元的物理信息算子学习框架，用于预测任意域上的时空偏微分方程
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 物理信息学习 算子学习 有限元方法 偏微分方程 时空预测
📋 核心要点
- 传统PDE求解方法计算成本高昂，且需要大量数据，本研究旨在降低对数据的依赖，并提高计算效率。
- 该方法将有限元方法与算子学习相结合，利用Galerkin离散弱形式将物理信息融入损失函数，实现无监督训练。
- 实验表明，该框架能够准确预测任意初始温度场随时间的演化，并适用于非均匀热导率和任意几何形状。
📝 摘要（中文）
本文提出了一种新颖的基于有限元的物理信息算子学习框架，用于预测偏微分方程（PDEs）控制的时空动态。该框架采用受有限元方法（FEM）和隐式欧拉时间积分方案启发的损失函数。以瞬态热传导问题为基准来评估性能。所提出的算子学习框架以当前时间步的温度场作为输入，并预测下一个时间步的温度场。采用热方程的Galerkin离散弱形式将物理信息融入损失函数，称为有限算子学习（FOL）。经过训练，该网络能够高精度地预测任意初始温度场随时间的演化，与有限元方法解相比。该框架也被证实适用于非均匀热导率和任意几何形状。FOL的优点包括：无需大量昂贵的仿真或实验数据，以无监督方式进行训练；利用形函数和后向差分近似进行域离散，得到纯代数方程，提高训练效率；以及利用有限元的插值能力处理任意几何形状。
🔬 方法详解
问题定义：论文旨在解决偏微分方程（PDEs）控制的时空动态预测问题，特别是在任意几何形状和非均匀材料属性的情况下。传统数值方法（如有限元方法）虽然精确，但计算成本高，尤其是在需要进行多次模拟或处理复杂几何形状时。此外，传统的机器学习方法通常需要大量的数据进行训练，而获取这些数据可能非常昂贵或耗时。
核心思路：论文的核心思路是将物理信息融入到算子学习框架中，利用有限元方法（FEM）的离散化思想，构建一个基于物理信息的损失函数。通过最小化该损失函数，训练一个神经网络来学习PDE的解算子。这种方法可以在不需要大量训练数据的情况下，实现对PDE解的准确预测。
技术框架：该框架主要包含以下几个步骤：1. 数据生成：使用高斯随机过程和傅里叶级数生成随机温度场作为训练数据，并结合恒温场以覆盖各种可能的温度情况。2. 有限元离散：利用有限元方法对PDE进行离散化，得到一个代数方程。3. 算子学习：构建一个神经网络，将当前时间步的温度场作为输入，预测下一个时间步的温度场。4. 损失函数构建：基于有限元离散的代数方程，构建一个物理信息损失函数。5. 模型训练：使用生成的训练数据和物理信息损失函数，训练神经网络。
关键创新：该论文的关键创新在于将有限元方法与算子学习相结合，提出了一种基于物理信息的算子学习框架。与传统的算子学习方法相比，该方法不需要大量的数据进行训练，并且能够处理任意几何形状和非均匀材料属性。此外，该方法利用有限元方法的离散化思想，将物理信息融入到损失函数中，从而提高了模型的预测精度。
关键设计：该框架的关键设计包括：1. 损失函数：损失函数基于Galerkin离散弱形式的热方程，利用形函数和后向差分近似进行域离散。2. 训练数据：使用高斯随机过程和傅里叶级数生成随机温度场，并结合恒温场。3. 网络结构：具体网络结构未详细描述，但需要能够处理温度场数据并预测下一个时间步的温度场。4. 时间积分：采用隐式欧拉时间积分方案。
🖼️ 关键图片
📊 实验亮点
该框架在瞬态热传导问题上进行了验证，结果表明，与有限元方法相比，该框架能够以高精度预测任意初始温度场随时间的演化。此外，该框架还被证实适用于非均匀热导率和任意几何形状。这意味着该框架具有很强的泛化能力，可以应用于各种复杂的工程问题。
🎯 应用场景
该研究成果可应用于各种涉及时空偏微分方程的工程领域，例如热管理、流体动力学、结构力学等。它可以用于快速预测复杂系统在不同工况下的行为，从而优化设计和控制策略。例如，可以用于预测电子设备的温度分布，优化散热设计；也可以用于预测建筑物内部的温度变化，优化能源管理。
📄 摘要（原文）
We propose a novel finite element-based physics-informed operator learning framework that allows for predicting spatiotemporal dynamics governed by partial differential equations (PDEs). The proposed framework employs a loss function inspired by the finite element method (FEM) with the implicit Euler time integration scheme. A transient thermal conduction problem is considered to benchmark the performance. The proposed operator learning framework takes a temperature field at the current time step as input and predicts a temperature field at the next time step. The Galerkin discretized weak formulation of the heat equation is employed to incorporate physics into the loss function, which is coined finite operator learning (FOL). Upon training, the networks successfully predict the temperature evolution over time for any initial temperature field at high accuracy compared to the FEM solution. The framework is also confirmed to be applicable to a heterogeneous thermal conductivity and arbitrary geometry. The advantages of FOL can be summarized as follows: First, the training is performed in an unsupervised manner, avoiding the need for a large data set prepared from costly simulations or experiments. Instead, random temperature patterns generated by the Gaussian random process and the Fourier series, combined with constant temperature fields, are used as training data to cover possible temperature cases. Second, shape functions and backward difference approximation are exploited for the domain discretization, resulting in a purely algebraic equation. This enhances training efficiency, as one avoids time-consuming automatic differentiation when optimizing weights and biases while accepting possible discretization errors. Finally, thanks to the interpolation power of FEM, any arbitrary geometry can be handled with FOL, which is crucial to addressing various engineering application scenarios.