PulseAugur
中
实时 17:47:45
English(EN) Target-Guided Selective Reweighting for Physics-Informed Neural Network Inverse Problems: A Transfer Learning Approach

新的TGSR-PINN方法增强了物理信息神经网络的迁移学习能力

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种名为目标引导选择性重加权PINN（TGSR-PINN）的新方法，以提高物理信息神经网络（PINNs）在逆问题中的迁移学习能力。该方法解决了负迁移等挑战，即在一种物理参数集上训练的模型由于机制或噪声的不同而在另一种参数集上表现不佳。TGSR-PINN采用目标证据驱动策略，通过对神经元进行评分并对表现不佳的神经元的权重和偏置应用选择性软衰减来纠正表示。实验表明，该方法在平流-扩散和跨PDE族迁移等各种复杂物理任务中，在保持精度的同时增强了参数恢复能力。 AI

影响 改进了物理信息神经网络的迁移学习能力，有望在复杂的科学模拟中实现更准确的参数恢复。

排序理由 该集群包含一篇详细介绍物理信息神经网络新方法的学术论文。

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 →

新的TGSR-PINN方法增强了物理信息神经网络的迁移学习能力

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Qian Hu, Bin Fan, Yao Xiao, Zhicheng Lin, Meixin Xiong ·

    Target-Guided Selective Reweighting for Physics-Informed Neural Network Inverse Problems: A Transfer Learning Approach

    arXiv:2607.05271v1 Announce Type: new Abstract: Physics-informed neural networks (PINNs) encounter ill-posed optimization, loss competition, and parameter compensation in partial differential equation (PDE) inverse problems. Transfer learning can reuse representations from source…

  2. arXiv cs.LG TIER_1 English(EN) · Meixin Xiong ·

    面向物理信息神经网络逆问题的目标引导选择性重加权：一种迁移学习方法

    Physics-informed neural networks (PINNs) encounter ill-posed optimization, loss competition, and parameter compensation in partial differential equation (PDE) inverse problems. Transfer learning can reuse representations from source tasks, but direct fine-tuning may introduce neg…

相关实体

相关话题