English(EN) Gen-PINNs: Generative Adversarial Physics Informed Neural Networks for solving partial differential equations

新的Gen-PINNs框架通过对抗学习增强PDE求解

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-09 04:00

研究人员推出了一种名为Gen-PINNs的新型框架，它将生成对抗网络（GANs）与物理信息神经网络（PINNs）相结合，以增强偏微分方程（PDEs）的求解。该方法通过使用生成器学习PDE解，并使用判别器评估残差特征，从而解决了标准PINNs的局限性，如频谱偏差和损失不平衡。Gen-PINNs框架包含用于高频内容的傅里叶表示、一个正交谱诊断和一个用于各种损失目标的动态加权系统。在Burgers'、Allen-Cahn和Kuramoto-Sivashinsky等复杂方程上与传统PINNs进行了测试，Gen-PINNs在准确性和收敛性方面表现出显著的改进，尤其是在具有尖锐前沿或激波行为的解方面。 AI

影响这项研究可能带来更准确、更高效的方法来解决由微分方程控制的复杂科学和工程问题。

排序理由学术论文，介绍了一种求解偏微分方程的新方法。[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: 15 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，介绍了一种求解偏微分方程的新方法。[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, other; 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: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Muhammad M. Akmal, Kamy Sepehrnoori, Michael J. Pyrcz · 2026-10-09 04:00

Gen-PINNs：用于求解偏微分方程的生成对抗物理信息神经网络

arXiv:2610.10897v1 Announce Type: new Abstract: Physics-Informed Neural Networks (PINNs) are a widely used data-free method for solving Partial Differential Equations (PDEs) using machine learning. With recent advances in Generative Adversarial Networks (GANs), adversarial learni…

本文如何被排名

报道来源 [1]

Gen-PINNs：用于求解偏微分方程的生成对抗物理信息神经网络

相关实体

相关话题