PulseAugur
中
实时 09:10:06
English(EN) Reliability-Aware Hard--Soft Physics-Informed Neural Networks for Robust Learning of Challenging Partial Differential Equations

新的RA-HSPINN方法提高了神经网络求解复杂PDE的准确性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为可靠性感知硬-软物理信息神经网络（RA-HSPINN）的新方法，以提高用于求解偏微分方程（PDE）的神经网络的训练和准确性。该方法通过引入一个可学习的可靠性场来调节网络的内部表示，从而增强了现有的硬-软PINN，有助于解决损失不平衡和优化刚度等问题。在包括非线性Burgers方程和混合边界泊松问题在内的各种挑战性PDE问题上的评估表明，与以前的方法相比，误差显著降低，尤其是在具有尖锐梯度、噪声数据或复杂解结构的情况下。 AI

影响 提高了神经网络求解复杂科学方程的准确性和鲁棒性。

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.LG 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RA-HSPINN方法提高了神经网络求解复杂PDE的准确性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Duc Tien Nguyen, Hang Tran, Trinh Minh Tuan, Nguyen Duc Manh, Dinh Gia Ninh ·

    面向鲁棒学习挑战性偏微分方程的可靠性感知硬-软物理信息神经网络

    arXiv:2607.19377v1 Announce Type: cross Abstract: Physics-informed neural networks (PINNs) provide a mesh-free framework for solving partial differential equations, but their training is often affected by loss imbalance, optimization stiffness, and difficulty in capturing localiz…

相关实体

相关话题