English(EN) Hybrid-time PINNs: Discontinuity-Aware Physics-Informed Neural Networks for Learning Hybrid Dynamical Systems

新的PINN模型学习具有离散跳跃的混合系统

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-27 04:00

研究人员开发了混合时间PINNs（HT-PINNs），这是一种用于模拟同时具有连续流和离散跳跃的混合动力系统的新方法。与难以处理不连续性的传统PINNs不同，HT-PINNs为每个流区间使用单独的网络，并联合训练它们以识别跳跃时间和未知参数。该方法在准确预测跳跃次数和估计模拟中的物理参数方面取得了成功，例如在弹跳球和机器人拆卸任务中。 AI

影响引入了一种模拟具有连续和离散动力学特性的复杂系统的新方法，有可能提高AI模拟和控制现实世界物理过程的能力。

排序理由介绍一种学习混合动力系统新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 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: 9 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 介绍一种学习混合动力系统新方法的学术论文。[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: 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.AI TIER_1 English(EN) · Shivanshu Tripathi, Maziar Raissi · 2026-10-27 04:00

混合时间PINN：用于学习混合动力系统的非连续感知物理信息神经网络

arXiv:2610.33562v1 Announce Type: cross Abstract: Hybrid dynamical systems flow continuously but jump at discrete events. Physics-informed neural networks (PINNs) fit data while enforcing known dynamics, but a single network is smooth in time and cannot model these jumps. We show…

本文如何被排名

报道来源 [1]

混合时间PINN：用于学习混合动力系统的非连续感知物理信息神经网络

相关实体

相关话题