PulseAugur
中
实时 11:20:32
English(EN) Overcoming the Limits of Finite Difference Method; Physics-Informed Neural Network for Noisy High-Dimensional Heat Diffusion

PINN框架克服了热扩散中的噪声和维度限制

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个物理信息神经网络（PINN）框架，以解决传统数值方法（如有限差分法（FDM））在处理噪声高维热扩散问题时的局限性。在具有20%边界噪声的3D模拟中，PINN保持了约91%的准确率，而FDM的准确率下降到36%。PINN在实际噪声条件下，在物理铜热系统中的表现也更优越，边界重建误差降低了3.3倍，并且在3D场景下比FDM更有效率。 AI

影响 PINN框架为复杂热模拟提供了更准确、更有效的解决方案，可能对工程和科学建模产生影响。

排序理由 详细介绍解决物理问题新方法的学术论文。[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]

  1. arXiv cs.LG TIER_1 English(EN) · Shreesh Bhattarai, Harish Chandra Bhandari ·

    克服有限差分法局限；用于含噪声高维热扩散的物理信息神经网络

    arXiv:2606.07982v1 Announce Type: new Abstract: High-dimensional transient heat diffusion under noisy boundary conditions exposes a fundamental limitation of classical numerical methods: accuracy degrades catastrophically where physical noise is unavoidable. This paper presents a…

相关实体

相关话题