PulseAugur
中
实时 12:27:08
English(EN) Recovering Sharp Conductivity Features in the Finite-Data Calder\'on Problem with Physics-Informed Neural Networks

PINNs使用小波和FFE以3-12%的误差恢复电导率特征 · 跟踪2个来源

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个新的框架，使用物理信息神经网络（PINNs）从Calderón逆问题的有限边界数据中重建电导率特征。该方法结合了随机小波函数和傅里叶特征编码，以更好地表示电导率的尖锐变化。使用合成数据进行的评估表明，该框架可以以3%到12%的相对误差恢复主要的电导率结构，其中傅里叶特征编码对于诸如夹杂物和界面等局部尖锐特征特别有效。 AI

影响 这项研究推动了神经网络在解决复杂逆问题中的应用，有望改善地下成像和材料表征。

排序理由 学术论文，详细介绍了使用神经网络解决逆问题的新方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

PINNs使用小波和FFE以3-12%的误差恢复电导率特征 · 跟踪2个来源

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Ali AlHadi Kalout, Pablo Tejerina-P\'erez, Konstantin Karchev, Pedro Taranc\'on-\'Alvarez, Leonid Sarieddine, Raul Jimenez, Max Engelstein, Guy David ·

    Recovering Sharp Conductivity Features in the Finite-Data Calder\'on Problem with Physics-Informed Neural Networks

    arXiv:2606.28158v1 Announce Type: new Abstract: Physics-informed neural networks (PINNs) have recently emerged as a promising framework for addressing the Calder\'on inverse problem from limited boundary data. In this work, we revisit neural Calder\'on inversion by introducing mu…

  2. arXiv cs.LG TIER_1 English(EN) · Guy David ·

    利用物理信息神经网络在有限数据条件下恢复Calderón问题的尖锐电导率特征

    Physics-informed neural networks (PINNs) have recently emerged as a promising framework for addressing the Calderón inverse problem from limited boundary data. In this work, we revisit neural Calderón inversion by introducing multiscale boundary excitations based on randomized wa…

相关实体

相关话题