PulseAugur
中
实时 07:03:23

Adjoint vs PINNs: Performance Compared for PDE Inverse Problems

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新的研究论文比较了伴随优化和物理信息神经网络（PINNs）在求解偏微分方程（PDEs）约束的反问题中的性能。研究发现，方法的选择取决于未知参数的表示方式，基于网格的场倾向于伴随方法，而神经网络表示则适合PINNs。对于依赖时间的（time-dependent）问题，PINNs以低于伴随反演的成本提供了可比的重构，而混合PINN-warm-started伴随策略则更有效地实现了伴随级别的准确性。 AI

影响 提供了PINNs与传统方法进行的比较分析，为从业者在求解PDE约束的反问题时选择最优策略提供信息。

排序理由 学术论文，比较了两种求解PDE约束反问题的计算方法。[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) · George Em Karniadakis ·

    伴随法与物理信息神经网络在偏微分方程约束逆问题中的比较

    Inverse problems governed by partial differential equations (PDEs) are central to computational mechanics and are commonly solved by adjoint-based optimization, while physics-informed neural networks (PINNs) have emerged as a flexible alternative. Their relative performance remai…

相关实体

相关话题