English(EN) SPLIT-PINN: Separable Probability Learning Technique via Physics-Informed Neural Networks for High-Dimensional Probabilistic Modeling

新的 SPLIT-PINN 技术使用神经网络对材料行为进行建模

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

研究人员开发了 SPLIT-PINN，一种使用物理信息神经网络在高维概率环境中对材料行为进行建模的新技术。该方法将材料状态表示为概率密度函数，并直接从数据中推断概率传输模型。SPLIT-PINN 结合了边际校正漂移分解和正交性约束，以确保准确性、稳定性和物理一致性，而无需进行限制性参数假设。该框架已得到验证，并应用于预测多晶材料中微观结构状态的演变，在未见过的数据集上表现出强大的泛化能力。 AI

影响引入了一种材料科学中概率建模的新方法，有望改进材料行为的模拟。

排序理由该集群包含一篇详细介绍新方法的学术论文。[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 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Pouria Behnoudfar, Deekshith Naidu Ponnana, Noah J. Schmelzer, Janith Wanni, George T. Gray III, Dan J. Thoma, Curt A. Bronkhorst, Nan Chen, Wenxiao Pan · 2026-06-04 04:00

SPLIT-PINN: Separable Probability Learning Technique via Physics-Informed Neural Networks for High-Dimensional Probabilistic Modeling

arXiv:2606.04000v1 Announce Type: cross Abstract: We present a probabilistic modeling framework for incorporating small-scale spatial heterogeneity into macroscopic descriptions of material behavior for polycrystalline metallic materials. Spatially heterogeneous material state fi…

报道来源 [1]

SPLIT-PINN: Separable Probability Learning Technique via Physics-Informed Neural Networks for High-Dimensional Probabilistic Modeling

相关实体

相关话题