English(EN) When and Why Adversarial Training Improves PINNs: A Neural Tangent Kernel Perspective

新理论解释了对抗性训练对物理信息神经网络的好处

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-15 13:54

研究人员开发了一个新的理论框架，以理解为什么对抗性训练能够改进物理信息神经网络（PINNs）。该框架基于GAN的判别器对PINN训练动态的影响，解释了对抗性方法何时以及如何提高PINN的性能。该分析还催生了一种更有效的PINN训练算法，该算法已证明比现有方法具有显著更高的准确性。 AI

影响为训练PINNs提供了理论基础和更有效的算法，有可能提高其准确性和适用性。

排序理由学术论文，提出了一种改进神经网络训练的新理论框架和算法。[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 cs.LG TIER_1 English(EN) · He Wang · 2026-05-15 13:54

When and Why Adversarial Training Improves PINNs: A Neural Tangent Kernel Perspective

Physics-informed neural networks (PINNs) are powerful surrogates for differential equations but are notoriously difficult to train due to spectral bias, stiffness, and poor accuracy on high-frequency or multiscale solutions. Adversarial training based on generative adversarial ne…