One Forth

课程主题

科学机器学习

物理模型与学习算法的交汇。

01

课程章节

按难度与先修关系排列

  1. 01难度 5/5物理信息神经网络与残差训练把微分方程残差、初边值条件和观测误差写入复合损失，以自动微分训练连续场近似。先修：可微分物理 · 神经网络与反向传播综合复习约 120 分钟
  2. 02难度 5/5DeepONet用分支网络编码输入函数、主干网络编码输出坐标，以内积结构逼近非线性算子。先修：感知机与多层感知机约 120 分钟
  3. 03难度 5/5逆问题与不确定性联合前向模型、观测算子、正则化和概率推断估计未知参数，并传播数据与模型误差。先修：可微分物理约 120 分钟
  4. 04难度 5/5神经算子学习函数空间之间的映射，使模型能够跨输入场和网格近似一族算子解。起点章节约 120 分钟
  5. 05难度 5/5可微分物理让数值模拟器对参数可微，以梯度方法进行系统辨识、控制和逆问题求解。先修：梯度下降约 120 分钟
  6. 06难度 5/5科学机器学习综合复习以守恒、残差、网格收敛、外推、计算成本和不确定性证据比较可微模拟、PINN 与算子学习。先修：可微分物理 · 物理信息神经网络与残差训练 · DeepONet · 神经算子 · 逆问题与不确定性约 120 分钟