Adaptive Learning of Periodic Solutions for Nonlinear Systems by Physics-informed Gaussian Process
本文提出了一种新型物理信息高斯过程（PIGP）框架，该框架利用定制的周期核函数和自适应配置策略，能够高效且准确地计算非线性动力系统的周期解，并展示了其相比于谐波平衡法具有更优越的计算性能。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在工程领域，许多结构的行为并非简单的直线运动。当桥梁在风中摇摆、涡轮叶片高速旋转，或建筑物在地震中震动时，其涉及的力量往往会随着物体移动的幅度或速度的变化而发生复杂的改变。这些被称为非线性系统。不同于无论如何拉伸都保持相同伸长量的简单弹簧，这些系统可能会发生扭转、折断，或进入难以预测的奇异重复模式。寻找系统最终会趋于稳定的特定重复运动——即周期解——对于工程师而言至关重要。如果他们无法预测这些运动，就无法设计出安全或高效的结构。几十年来，科学家一直依赖成熟的数学工具来寻找这些重复模式，但当系统变得过于复杂或行为过于“锯齿状”时，这些工具往往难以应对，需要巨大的计算能力才能获得精确答案。
来自中山大学和列日大学的研究团队开发了一种解决该问题的新方法，它将物理定律与一种称为高斯过程（Gaussian process）的机器学习类型相结合。这种方法并不强行将系统塞入一个僵化的数学框架，而是将其称为“物理信息高斯过程”，并将支配系统的物理定律视为一组线索。想象一下，试图通过触摸物体的几个特定点来猜测隐藏物体的形状；你触摸的点越多，形状就变得越清晰。在这种新方法中，研究人员将物理运动方程作为特定时刻的“触感”。他们从系统运动的一个粗略猜测开始，然后利用一种智能的迭代过程来完善这一猜测。系统从自身的误差中学习，不断调整对运动的理解，直到其完全符合物理规则。
这种方法之所以特别强大，是因为它具备了“学习在哪里需要观察”的能力。研究人员发现，并非所有时间点对于理解运动都同等重要。在运动平滑的系统中，信息分布均匀；然而，在运动粗糙或突然的系统中——例如零件撞击止点或材料刚度发生突变的情况——最关键的信息集中在极小的特定瞬间。这种新方法能够自动检测到这些棘手的时刻，并将计算精力集中于此，在不确定性最高的地方增加更多的“感知点”。这种自适应策略使得计算机能够使用比传统方法少得多的数据点找到解，从而显著提高了过程的速度和效率。
研究人员在从简单的单质量振荡器到复杂的多层建筑模型等多种类型的系统上测试了他们的新方法。他们将结果与一种被称为谐波平衡法（harmonic balance method）的广泛使用的标准技术进行了对比，该技术几十年来一直是首选工具。在每一次测试中，新方法都表现出了极高的准确性，能够处理平滑运动以及那些带有突然、锯齿状变化的运动。或许最令人印象深刻的是，当研究人员要求两种方法达到相同的精度水平时，这种新的物理信息驱动方法始终能更快地完成任务。在某些情况下，它的速度比传统方法快了一倍以上。这种速度优势源于该方法的自适应能力：它不会在不需要细节的地方浪费时间进行计算，而是将资源导向问题中最难解决的部分。
除了速度和精度之外，这种新方法还提供了一个传统工具所缺乏的独特优势：它具有内置的置信度度量。当该方法计算出一个解时，它还会生成一张不确定性图谱，展示在每一时刻它对结果有多大的把握。这就像是一份天气预报，不仅告诉你温度，还给出了温度可能变化的清晰范围。对于设计关键基础设施的工程师来说，了解其计算的极限与计算本身同样重要。研究人员发现，随着他们在系统中增加更多的感知点，这张不确定性图谱就会缩小，从而证实了解正变得越来越可靠。
尽管该方法展现出了巨大的潜力，但研究人员也谨慎地指出了它的局限性。他们发现，对于具有极其尖锐、突然变化的系统，解在这些尖锐点附近有时会产生轻微的波动，这是即使传统方法也面临的挑战。然而，通过证明其方法能够以更高的效率和内置的可靠性处理各种困难问题，该团队为分析复杂的机械系统开辟了一条新路径。他们的工作表明，通过让机器学习直接从物理定律而非仅仅从数据中学习，工程师可以以以往无法企及的清晰度和速度，解决动力学领域中最棘手的难题。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。