研究人员开发了一个名为fpBPINN的新框架，用于将函数先验整合到使用物理信息神经网络（PINNs）解决的贝叶斯反演问题中。该框架解决了在函数空间而非神经网络的典型权重空间中定义先验分布的挑战。该研究介绍了两种方法，FPI-BPINN和fParVI-PINN，并证明了它们在地震走时层析成像和Darcy流渗透率反演中的有效性，显示出准确的后验分布估计。 AI
影响 引入了一种将物理约束纳入贝叶斯反演的新方法，有望提高科学建模的准确性。
排序理由 该集群包含一篇学术论文，详细介绍了使用神经网络解决反演问题的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.07060v1 Announce Type: cross Abstract: Physics-informed neural networks (PINNs) provide a mesh-free framework for solving PDE-constrained inverse problems, but their extension to Bayesian inversion still faces a fundamental difficulty: prior distributions are typically…
Physics-informed neural networks (PINNs) provide a mesh-free framework for solving PDE-constrained inverse problems, but their extension to Bayesian inversion still faces a fundamental difficulty: prior distributions are typically defined in the weight space of neural networks, w…