English(EN) Physics-Informed Deep Learning for Entropy Prediction in Heterogeneous Systems: Thermodynamic and Information-Theoretic Case Studies

新的PIDL框架以高数据效率预测熵

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-02 04:00

研究人员开发了一种新颖的物理信息深度学习（PIDL）框架，用于预测复杂系统中的熵。这种统一的方法同时强制执行微分方程残差和信息论边界，从而实现域不变的熵表示。PIDL框架表现出高数据效率，仅用30%的训练数据即可达到90%以上的准确率，并严格遵守热力学原理，显示出零第二定律违规。 AI

影响这个新框架提供了一种域无关的方法来进行物理约束的熵建模，有可能推动在可持续工艺设计和金融风险评估中的应用。

排序理由该集群包含一篇详细介绍熵预测新方法和框架的研究论文。[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.AI TIER_1 English(EN) · Biswajeet Sahoo, Debadutta Patra · 2026-06-02 04:00

Physics-Informed Deep Learning for Entropy Prediction in Heterogeneous Systems: Thermodynamic and Information-Theoretic Case Studies

arXiv:2606.01179v1 Announce Type: cross Abstract: Entropy production governs irreversibility and uncertainty in both physical and information-theoretic systems. While Physics-Informed Neural Networks (PINNs) successfully solve differential equations, current architectures remain …