元学习求解电子玻尔兹曼方程

多任务训练高效

基于元学习的物理信息神经网络在求解多任务玻尔兹曼方程时，相比传统PINN能更快地降低损失函数值和L²误差，提升计算效率。

仲林林 · Wu, Bingyu · Qi, Wu

Diangong Jishu Xuebao/Transactions of China Electrotechnical Society 2024

具体参数

最小加速比

{'zh': '75', 'en': '75'} %

最大加速比

{'zh': '22', 'en': '22'} 倍

最佳网络结构

{'zh': '3', 'en': '3'} 层, 300神经元/层

最佳内循环步数

{'zh': '5', 'en': '5'} 步

技术优势

新任务上手快

通过内、外双循环更新网络权重，新任务的损失函数值和L²误差下降速度比传统PINN更快。

少走弯路

元网络在外循环中最小化所有任务损失之和，更新后的权重能为求解新任务提供更好的初始化，减少训练迭代。

应用场景

• 气体放电等离子体仿真：替代传统PINN，在气体放电等离子体仿真中加速求解电子玻尔兹曼方程，提高多任务场景下的计算效率。
• 多任务方程求解：为多任务方程求解提供元学习框架，使新任务的训练更快收敛，减少重复调参成本。
• 气体绝缘设备设计：用于气体绝缘设备设计中电子输运参数的快速计算，支撑绝缘性能和放电特性的评估。
• 非平衡热力学模拟：作为非平衡热力学模拟中求解玻尔兹曼方程的高效数值工具，适用于多工况参数扫描。