PulseAugur
中
实时 16:31:07
English(EN) Adaptive Hard-Soft Physics-Informed Neural Networks for Robust Boundary-Constrained PDE Solving

新的HSPINN方法提高了物理信息神经网络的精度

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为自适应硬-软物理信息神经网络（HSPINN）的新方法，以提高物理信息神经网络（PINNs）的训练和精度。传统的PINNs由于优化挑战，在收敛缓慢和边界执行不准确方面存在困难。HSPINN通过精确执行Dirichlet和周期性边界条件来解决这个问题，同时将PDE残差和其他条件视为软约束。自适应损失加权策略动态平衡这些约束，消除了手动调整并提高了稳定性。与传统的PINNs相比，这种方法在各种问题上显示出更快的收敛速度、更高的精度和更强的鲁棒性。 AI

影响 提高了用于科学模拟和问题解决的AI模型的鲁棒性和效率。

排序理由 详细介绍物理信息神经网络新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的HSPINN方法提高了物理信息神经网络的精度

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Dinh Gia Ninh ·

    用于鲁棒边界约束偏微分方程求解的自适应硬软物理信息神经网络

    Physics-informed neural networks (PINNs) provide an effective way to solve partial differential equations (PDEs) by embedding physical principles into the learning process. However, the conventional PINN formulation, in which all constraints are imposed as soft penalty terms with…

相关实体

相关话题