Nature子刊发表！基于昇腾AI与昇思MindSpore打造的AI+科学计算新成果PeRCNN面世
添加书签
专注AIGC领域的专业社区，关注OpenAI、百度文心一言等大语言模型（LLM）的发展和应用落地，关注LLM的基准评测和市场研究，欢迎关注！
近日，华为与中国人民大学高瓴人工智能学院孙浩教授团队合作，基于昇腾AI基础软硬件平台与昇思MindSpore AI框架提出了一种物理编码递归卷积神经网络（Physics-encoded Recurrent Convolutional Neural Network，PeRCNN），该成果已在《Nature》子刊《Nature Machine Intelligence》上发表，相关代码已在开源社区Gitee的MindSpore Flow代码仓开源[1]。
PeRCNN的模型框架
因此，华为与孙浩教授团队合作，基于昇腾AI和昇思MindSpore开发了物理编码递归卷积神经网络[4]，实现了对非线性PDE的精确逼近。
PeRCNN在反应扩散方程的应用，长期演化上优于ConvLSTM、PINN等方法
PeRCNN在预测和外推的性能上优于ConvLSTM、ResNET、PDE-NET、DHPM等方法
PeRCNN的另一个独特优势是其可解释性，这源自π-卷积的乘法形式。通过符号计算，可以从学习到的模型中进一步提取底层的基础物理学表达式。这让PeRCNN能够作为一项有效的工具帮助人们从不完善和高噪声的数据中准确可靠地发现潜在的物理规律。
流体力学、气象、海洋等学科中，存在湍流、激波等强非线性现象，传统数值方法的求解需要大量计算资源，当前AI已经在飞行器流场、中期天气预报等问题中展现出极大的潜力，PeRCNN具备高精度、泛化性强和抗噪性强等特点，将有望在这些领域突破传统计算瓶颈，加速工业仿真和设计，成为AI+科学计算领域的新利器！
参考文献
[1]https://gitee.com/mindspore/mindscience/tree/master/MindFlow/applications/data_mechanism_fusion/PeRCNN
[2]Yann LeCun, Yoshua Bengio, and Geoffrey Hinton. Deep learning. Nature, 521(7553):436–444, 2015.
[4]Chengping Rao, Pu Ren, Qi Wang, Oral Buyukozturk, Hao Sun*, Yang Liu*. Encoding physics to learn reaction-diffusion processes. Nature Machine Intelligence, 2023, DOI: 10.1038/s42256-023-00685-7
本文来源昇思MindSpore，如有侵权请联系删除
END
