English(EN) Operator-informed initialization for Fourier features physics-informed neural networks

新的初始化策略解决了物理信息神经网络中的频谱偏差问题

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-05 04:00

研究人员为傅里叶特征物理信息神经网络（PINNs）开发了一种新的初始化策略，以解决频谱偏差问题。频谱偏差是指在训练过程中，目标函数的某些频率收敛速度较慢的常见问题。通过分析神经切线核（Neural Tangent Kernel）机制下的训练动力学，他们推导出一个方程，表明初始化权重显著影响频率收敛速率。所提出的方法根据要解决的特定偏微分方程（PDE）调整初始权重分布，平衡了不同频率的收敛性，并在不增加训练成本的情况下提高了预测精度。 AI

影响提高了PINNs的训练效率和准确性，可能支持更复杂的科学模拟。

排序理由学术论文，详细介绍了改进神经网络训练动力学的一种新颖方法。[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 →

本文如何被排名

Signal score: 6 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了改进神经网络训练动力学的一种新颖方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Juan Molina, Paris Perdikaris, Mircea Petrache, Mat\'ias Courdurier, Francisco Sahli Costabal · 2026-10-05 04:00

面向傅里叶特征的物理信息神经网络的算子信息初始化

arXiv:2610.03378v1 Announce Type: new Abstract: Physics-Informed Neural Networks (PINNs) typically exhibit spectral bias, where some frequencies of the target function converge more slowly than others. In this work, we analyze the training dynamics of Fourier Feature PINNs in the…

本文如何被排名

报道来源 [1]

面向傅里叶特征的物理信息神经网络的算子信息初始化

相关实体

相关话题