English(EN) Posterior Concentration of Bayesian Physics-Informed Neural Networks for Elliptic PDEs

贝叶斯PINN在求解椭圆偏微分方程方面达到近乎最优的收敛率

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-09 04:19

研究人员开发了一种新的贝叶斯物理信息神经网络（PINNs）方法来求解椭圆偏微分方程。该方法通过证明后验分布以近乎最优的速率集中在精确解附近，为不确定性量化提供了统计保证。其关键特性是速率自适应先验，能够在无需预先了解解的光滑度的情况下实现最优收缩。 AI

影响为使用神经网络求解微分方程中的不确定性量化提供了理论保证。

排序理由学术论文，详细介绍了使用神经网络求解微分方程的新方法。 [lever_c_demoted from research: ic=1 ai=1.0]

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 stat.ML TIER_1 English(EN) · Yulong Lu · 2026-05-09 04:19

用于椭圆型偏微分方程的贝叶斯物理信息神经网络的后验集中

We study the posterior contraction rate of Bayesian Physics-Informed Neural Networks (PINNs) for solving a general class of elliptic partial differential equations (PDEs). We focus on learning of the elliptic equation with a non-homogeneous Dirichlet boundary condition from indep…