物理導向機器學習短期課程 Physics-Informed Machine Learning Short Course

ACMT Short Course

Physics-Informed Machine Learning 物理導向機器學習

Instructor

Prof. Tsung-Hui Alex Huang 黃琮暉

Estimate Size

50 people

Content

本課程主要會介紹近年快速發展之 Physics-Informed Neural Networks (PINNs) ，並探討其在計算力學與多物理問題中的應用潛力。PINN提供一種結合資料與物理定律的新型建模框架，能有效處理高維、非線性及資料稀缺問題。課程首先介紹 PINN 的基本概念，包括如何將偏微分方程（PDE）嵌入神經網路訓練過程，以及常見的 loss function 設計與訓練策略。在應用層面，本課程將以典型 PDE 問題（如擴散、彈性力學、簡化流體模型）為例，展示 PINN 的實作方式與優缺點，透過理論與實作並重的方式讓學員實際建立模型並觀察訓練過程與數值行為，進一步理解 PINN 在工程應用中的限制與潛力。若課程進度許可將延伸PINN至Physics-informed Neural Operator (PINO) 方法，說明如何透過 operator learning 學習「解算子」，以達到快速預測不同邊界條件或參數下的系統行為。

References

• Raissi, Maziar, Paris Perdikaris, and George E. Karniadakis. "Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations." Journal of Computational physics378 (2019): 686-707.
• Li, Zongyi, et al. "Physics-informed neural operator for learning partial differential equations." ACM/IMS Journal of Data Science1.3 (2024): 1-27.

Schedule

*課程時間為 2026/10/15 下午 1 點到 5 點 (4 小時課程)，採取理論與課堂實作練習交互進行。