Fyzikálně informované neuronové sítě

Abstract

Fyzikálně informované neuronové sítě (PINN) představují moderní přístup ke kombinaci tradičních fyzikálních modelů s možnostmi hlubokého učení. Cílem této práce je prozkoumat potenciál těchto sítí při modelování vybraného fyzikálního jevu, a to zejména v situacích, kde klasické metody narážejí na omezení v popisu složitých nebo nepřesně známých procesů. PINN umožňují efektivně propojit teoretické modely s experimentálními daty, čímž přispívají ke zpřesnění výsledků simulací. Práce dále porovnává různé typy architektur neuronových sítí z hlediska jejich vhodnosti pro daný fyzikální problém a hodnotí jejich výkonnost a přesnost.

Physically informed neural networks (PINNs) represent a modern approach to combining traditional physical models with deep learning capabilities. The aim of this thesis is to examine the potential of these networks in modeling a selected physical phenomenon. Especially in situations where classical methods face limitations in describing complex or imprecisely known processes. PINNs offer an effective way to connect theoretical models with experimental data, thereby contributing to the refinement of simulation results. The thesis also compares different neural network architectures in terms of their suitability for a given physical problem and evaluates their performance and accuracy.