PulseAugur
中
实时 11:36:36
English(EN) LIGO-PINN: Learned Initialization via Gated Optimization to Alleviate Convergence Failures in Physics Informed Neural Networks

新的LIGO-PINN方法提高了物理信息神经网络的收敛性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了LIGO-PINN，这是一个新颖的框架，旨在提高物理信息神经网络（PINNs）在建模复杂偏微分方程（PDEs）时的收敛性。这种新方法侧重于优化神经网络的初始权重，而这一方面之前研究不足，目的是防止失败和收敛到平凡解。在包括流体动力学在内的1D、2D和3D PDE领域的评估表明，LIGO-PINN的性能显著优于现有的最先进技术，在六个基线上的平均性能提升了91.5%。 AI

影响 这项研究提供了一种新技术，可以提高用于科学建模的神经网络的可靠性和性能，有可能加速受复杂方程支配的领域的发现。

排序理由 该集群描述了一篇关于改进物理信息神经网络性能的新研究论文。 [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LIGO-PINN方法提高了物理信息神经网络的收敛性

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Nilay Anurag, Shital Adhikari, Taniya Kapoor, Nikhil Muralidhar ·

    LIGO-PINN：通过门控优化学习初始化以缓解物理信息神经网络中的收敛失败

    arXiv:2607.14233v1 Announce Type: cross Abstract: Physics-informed neural networks (PINNs) have had a broad research impact in modeling domains governed by partial differential equations (PDE). However, PINNs have been shown to perform poorly, sometimes even converging to trivial…

相关实体

相关话题