研究人员开发了一个新的物理信息逆向学习框架，旨在提高偏微分方程（PDE）控制的逆问题的解的可靠性。这种“无害”方法可以认证和选择重构结果，只有当学习到的解的不确定性半径不差于基线时才接受它。该方法结合了各种残差来提供误差界限和不确定性估计，并通过接受改进和拒绝有缺陷的候选者，在多个测试案例中证明了其有效性。 AI
影响 为物理信息AI引入了一个新颖的认证层，增强了科学应用中的信任度和可靠性。
排序理由 该集群包含一篇详细介绍新研究方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.07153v1 Announce Type: cross Abstract: Physics-informed learning is increasingly used for partial differential equation (PDE)-governed inverse problems, but its reliability remains difficult to certify. This paper develops a no-harm certification-and-selection framewor…
Physics-informed learning is increasingly used for partial differential equation (PDE)-governed inverse problems, but its reliability remains difficult to certify. This paper develops a no-harm certification-and-selection framework for physics-informed inverse learning. A learned…