那可能还是我格局不够，毕竟底层搬砖的和顶层谋划融资战略前景的确实相去甚远 
1 个赞
完蛋了，要被开盒了 
这是真校友了 
做过深度学习+pde+ode+gnn。可能我水平不够，感觉不applicable就放弃了。具体我失败的例子是物理学粒子运动和现实世界人的运动。
1 个赞
不敢当，每日搬些砖罢了
1 个赞
首先明确DL解PDE到底需求是什么样
为了更快？更精确？
为了把PDE的解丢到别的什么model里面？
physics-informed ML 其实topic挺广的 包括解方程 包括emulator 包括直接把PDE作为constraint丢到loss/model design里面
相关的方法的话 PINN是入门 然后是DeepONet 再往后是Neural Operator 和 Inverse Neural Operator
待我找一下自己之前收藏的两个综述link去
是的，这一套东西想apply可太难了（虽说之前大家也觉得GPT想apply也是赛博朋克 我目前能想到落地的就是Paris去微软做的大气研究了，有数据+算力支持，场景盈利前景可能不高但至少有，外加气候变化的政治正确 (how dare you警告
说起来哪里有介绍说Paris在搞大气模型么！这玩意和我们做的东西极其接近 真是这样的话要联系一下Paris看看有没有合作可能了
BTW： 之前回去见到Talid了 他说LuLu去Yale 对PICS “Is a loss”; 然后Paris他也不知道会不会回Penn…
我以前听说无所不能的神经网络连4动量最基本的关系（ p^2+m^2=0 ）都拟合不出来，不知道现在有没有什么变化
不能再说了，不然直接开盒到人头了
大概是名头回人不回，工院新的AI楼需要个AI for science的站台，但是Paris那个项目还没搞完，微软不太可能让他base在Philly
1 个赞
那我哪天直接email一下Paris约个coffee chat去了hhh主要我们组在做PIML for climate/polar ice 如果Paris搞大气模型的话 或许真有合作机会hhh
哈哈哈哈直接冲 
https://zhuanlan.zhihu.com/p/517450449
https://zhuanlan.zhihu.com/p/642604029
三个偏总结的link
如果单纯的想简单利用 考虑一下PINN / DeepONet/ Neural Operator/ Invariant Neural Operators/ Inverse Neural Operators
如果是PIML for science的话 有的搞 我觉得前途蛮大 但要求挺高的 基本上要熟知领域内传统的数值方法 包括能比较好的给自己的问题建立一个pde来约束
怎么说呢，数据是物理模拟器生成的，然后拿deep learning 去拟合粒子轨迹，很难不拟合但也很难完全拟合
是的是Finance方向，是的实践上MC已经够用了，问题就在于有没有打败MC的可能…
感觉应该补充一句，其实是公司实习的Summer Project，所以逃是逃不掉了看看能做多少是多少了
感谢综述，至少不是无头苍蝇了
应用场景很明确，通过解Stochastic Differential Equation变换的PDE来进行衍生品定价，需求应该就是要比传统的MC快，同时准确性不能低于four to five 9s反正听完我就感觉一定是做不出来了
可以快速翻阅一下综述 起码看一下那个github link里面各种应用 有些太过复杂的PINN变种可以暂时不管 除非你发现有特别符合你们的PDE形式的
这个需求我的直觉是跑一跑最直接的PINN试试情况 会让你有大概的感觉 PIML能不能用到你的task上 暂时可以不考虑更加深入的方法
PIML解PDE的精度肯定没啥问题 起码对于你的task来说 但至于速度上PIML能不能跑过传统MC 这个东西怕是需要跑一下试试看了 直觉上不好说
速度的问题还比较复杂，因为benchmark是用C++写的，用pytorch写完还不确定能不能比，可能得先看下精度能不能调上来
感谢思路，明天白天我来好好翻一翻综述 
精度我估计DL训练好了能比传统方法高
MC它本身就不是一个多么高精度的东西 要相对不错的精度基本上等同于把trial数量拉大到很大
正常的PIML解PDE的精度应该是干的掉MC的
这个就有趣了
Above all 看你是关注pytorch训练速度还是推理速度
pure python同c++比速度上是更慢的 因为python省去了编译的环节 但pytorch本身应该是引入了很多c++上的东西来优化整体的计算速度 所以估计到最后 只能是看你们特定的内部需求来比较了 没有一个特别general的结论
PINN本身训练起来倒不是很慢 也不需要太大的算力 毕竟network就是个MLP fancy的地方在loss上面和autograd
个人瞎猜：真的做到极致的话 DL解PDE能有比MC更高的精度 速度上comparable or competitive 至于是不是适配业界需求 那我就不知道了