Physics-Informed Deep Equilibrium Models for Solving ODEs

Detalhes bibliográficos
Autor(a) principal: Pacheco, Bruno Machado
Data de Publicação: 2022
Tipo de documento: Trabalho de conclusão de curso
Idioma: eng
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/237850
Resumo: TCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia de Controle e Automação.
id UFSC_b18ff598443d6b7d49faf26785066775
oai_identifier_str oai:repositorio.ufsc.br:123456789/237850
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Physics-Informed Deep Equilibrium Models for Solving ODEsPhysics-Informed Neural NetworkDeep Equilibrium ModelImplict ModelInitial-Value ProblemDeep LearningTCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia de Controle e Automação.Redes neurais para solução de problemas físicos, denominadas physics-informed neural networks (PINNs), e modelos profundos de equilíbrio (do inglês, DEQs), são contribuições recentes que facilitam o uso de modelos de aprendizagem profunda, conhecidos pela capacidade representativa, de aplicações com requisitos realistas de robustez, explicabilidade e escassez de dados. PINNs se mostraram uma forma eficiente de treinar redes neurais para modelar fenômenos físicos. DEQs, por outro lado, empregam uma nova arquitetura que promete mais capacidade de representação com menos parâmetros. Este trabalho consiste em um estudo de ambos, além de uma aplicação que combina-os para resolver problemas de valor inicial de equações diferenciais ordinárias, com um modelo chamado PIDEQ. A abordagem proposta para resolver esse tipo de problema foi implementada e testada utilizando o oscilador de Van der Pol, com uma análise de impacto dos seus diferentes hiperparâmetros. Os resultados mostram que, de fato, é possível treinar um PIDEQ para resolver o problema proposto, gerando soluções aproximadas com baixo erro.Physics-informed neural networks (PINNs) and deep equilibrium models (DEQs) are novel approaches that approximate deep learning’s representational power to applications with realistic requirements such as robustness, data scarcity and explainability. PINNs propose an efficient way to train neural networks to model physical phenomena. DEQs are a new model architecture that can provide more representational power with fewer parameters. This work aims to study both and apply them to solve initial-value problems (IVPs) of ordinary differential equations (ODEs), in an approach coined physics-informed deep equilibrium model (PIDEQ). We implement the proposed approach and test it, analyzing the impacts of the multiple hyperparameters in the approximate solution of the Van der Pol oscillator. Our results show that indeed PIDEQ models are able to solve IVPs, providing approximate solutions with small errors.Florianópolis, SC.Camponogara, EduardoUniversidade Federal de Santa CatarinaPacheco, Bruno Machado2022-08-04T18:55:34Z2022-08-04T18:55:34Z2022-08-02info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis61 f.application/pdfhttps://repositorio.ufsc.br/handle/123456789/237850info:eu-repo/semantics/openAccessengreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2022-08-04T18:55:34Zoai:repositorio.ufsc.br:123456789/237850Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732022-08-04T18:55:34Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Physics-Informed Deep Equilibrium Models for Solving ODEs
title Physics-Informed Deep Equilibrium Models for Solving ODEs
spellingShingle Physics-Informed Deep Equilibrium Models for Solving ODEs
Pacheco, Bruno Machado
Physics-Informed Neural Network
Deep Equilibrium Model
Implict Model
Initial-Value Problem
Deep Learning
title_short Physics-Informed Deep Equilibrium Models for Solving ODEs
title_full Physics-Informed Deep Equilibrium Models for Solving ODEs
title_fullStr Physics-Informed Deep Equilibrium Models for Solving ODEs
title_full_unstemmed Physics-Informed Deep Equilibrium Models for Solving ODEs
title_sort Physics-Informed Deep Equilibrium Models for Solving ODEs
author Pacheco, Bruno Machado
author_facet Pacheco, Bruno Machado
author_role author
dc.contributor.none.fl_str_mv Camponogara, Eduardo
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Pacheco, Bruno Machado
dc.subject.por.fl_str_mv Physics-Informed Neural Network
Deep Equilibrium Model
Implict Model
Initial-Value Problem
Deep Learning
topic Physics-Informed Neural Network
Deep Equilibrium Model
Implict Model
Initial-Value Problem
Deep Learning
description TCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia de Controle e Automação.
publishDate 2022
dc.date.none.fl_str_mv 2022-08-04T18:55:34Z
2022-08-04T18:55:34Z
2022-08-02
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/237850
url https://repositorio.ufsc.br/handle/123456789/237850
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 61 f.
application/pdf
dc.publisher.none.fl_str_mv Florianópolis, SC.
publisher.none.fl_str_mv Florianópolis, SC.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652398252523520

Registros relacionados