Contenido principal

Machine learning basado en la física

Amplíe los flujos de trabajo de deep learning en áreas de machine learning basado en la física (PIML) y redes neuronales basadas en la física (PINN)

Utilice Deep Learning Toolbox™ para machine learning basado en la física (PIML) y las redes neuronales basadas en la física (PINN).

Machine learning basado en la física (PIML) y las redes neuronales basadas en la física se refieren a conceptos de machine learning y deep learning donde puede integrar leyes y principios de sistemas físicos en sus modelos de machine learning. La integración de estos conceptos puede mejorar la precisión y la solidez de estos modelos y puede ayudar a garantizar que las predicciones del modelo también siguen dichas leyes y principios. Por ejemplo, puede entrenar una red neuronal que modele la transferencia de calor utilizando una función de pérdida que incorpore las leyes de la termodinámica.

Funciones

expandir todo

neuralODELayerNeural ODE layer (Desde R2023b)
complexToRealLayerComplex-to-real layer (Desde R2024b)
realToComplexLayerReal-to-complex layer (Desde R2024b)
complexReluLayerComplex rectified linear unit (ReLU) layer (Desde R2025a)
dlarrayArreglo de deep learning para personalización
dlgradientCalcular gradientes para bucles de entrenamiento personalizados usando diferenciación automática
dljacobianJacobian matrix deep learning operation (Desde R2024b)
dldivergenceDivergence of deep learning data (Desde R2024b)
dllaplacianLaplacian of deep learning data (Desde R2024b)
dlfevalEvaluar modelos de deep learning para bucles de entrenamiento personalizados
dlode45Deep learning solution of nonstiff ordinary differential equation (ODE) (Desde R2021b)

Temas

Ejemplos destacados