一篇新的arXiv论文系统地比较了物理信息神经网络(PINNs)与传统的机械模型在流行病预测方面的应用。虽然PINNs在合成场景中表现较弱,但在应用于真实世界数据(特别是伦敦的首次COVID-19疫情)时,它们取得了更好的结果和更窄的不确定性区间。该研究强调了PINNs作为一种有前景的流行病学工具,但也重申了简单隔室模型持续的价值,并提倡进一步的基准测试。 AI
影响 PINNs在改进真实世界流行病预测方面展现出潜力,是对传统模型的补充。
排序理由 在arXiv上发表的研究论文,比较了两种建模方法。[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 →