PulseAugur
中
实时 11:04:35
English(EN) Hierarchical rank-evolving representation for physics-informed neural networks

新的分层表示提升了物理信息神经网络的性能

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了一种新颖的分层秩演化（HRE）表示，旨在增强物理信息神经网络（PINNs）。该新方法通过自动确定最优秩来解决现有基于张量的PINNs的局限性，从而提高对复杂解结构的捕捉能力。在包括流体动力学和静态方程在内的各种物理问题上的大量实验表明，HRE-PINNs与当前最先进的方法相比，实现了更高的准确性。 AI

影响 这种新的表示方法有望通过人工智能实现更准确、更高效的复杂物理模拟解决方案。

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 →

新的分层表示提升了物理信息神经网络的性能

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Ruoyang Su, Xi-Le Zhao, Kun Li, Liang Li ·

    物理信息神经网络的分层秩演化表示

    arXiv:2608.09483v1 Announce Type: new Abstract: Recently, tensor-based physics-informed neural networks (T-PINNs) have received increasing attention. However, existing T-PINNs still face a fundamental challenge: they mainly rely on pre-specified low-rank tensor decompositions wit…

相关实体

相关话题