慕尼黑工业大学Nils Thuerey组的工作，研究方向是物理仿真的深度学习方法。

书中全面介绍了物理仿真深度学习。所有主题都尽可能多地以Jupyter笔记本的形式提供了实践代码示例，方便快速入门。除了标准的监督学习外，我们还将研究物理损失约束、与可微仿真更紧密耦合的学习算法，以及强化学习和不确定性建模。我们生活在一个激动人心的时代：这些方法有巨大的潜力从根本上改变计算机仿真的能力。

后续章节内容：

  • 如何训练网络来推断翼型等形状周围的流体流动，并估计预测的不确定性。这提供了替代传统数值模拟的模型。
  • 如何使用模型方程作为残差来训练代表解决方案的网络，以及如何通过使用可微模拟改进这些残差约束。
  • 如何更紧密地与反问题的完整模拟器交互。例如，我们将演示如何通过在训练循环中利用模拟器来规避标准强化学习技术的收敛问题。

在本书中，我们将介绍将物理模型引入深度学习的不同方法，即基于物理的深度学习（PBDL）方法。为了增加集成的紧密性，将引入这些算法变体，并将讨论不同方法的优缺点。了解每种不同技术在哪些场景中特别有用是很重要的。

内容中包含的图片若涉及版权问题，请及时与我们联系删除