English(EN) Continual-Learning Physics-Informed Neural Networks for Parameterized Partial Differential Equations

新的CL-PINN方法改进了参数化PDE的求解

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-06 04:00

研究人员开发了一种持续学习物理信息神经网络（CL-PINN），旨在高效求解参数化偏微分方程（PDE）。这种新方法解决了现有方法的局限性，例如训练效率低下以及在不同物理参数下精度不均的问题。CL-PINN将PDE实例作为不同任务进行顺序学习，并结合了基于贝叶斯优化的主动参数选择和动态损失加权等技术，以提高知识保留和泛化能力。 AI

影响提出了一种求解参数化PDE的新方法，有望为工程研究提供更高效、更具泛化能力的物理信息代理模型。

排序理由详细介绍一种用于解决复杂数学问题的新机器学习方法的学术论文。[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 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Xujia Chen, Xinyue Hu, Letian Chen, Yi Liu, Wenhui Fan · 2026-08-06 04:00

Continual-Learning Physics-Informed Neural Networks for Parameterized Partial Differential Equations

arXiv:2608.04778v1 Announce Type: new Abstract: Physics-informed neural networks (PINNs) incorporate governing equations into neural-network training and can approximate PDE solutions without requiring large observational datasets. Parameterized PINNs (ParamPINNs) further take ph…

报道来源 [1]

Continual-Learning Physics-Informed Neural Networks for Parameterized Partial Differential Equations

相关实体

相关话题