研究人员开发了一种新颖的物理信息神经网络（PINNs）与有限元方法（FEM）耦合的方法，将这种交互视为一个Steklov-Poincaré算子。该方法通过为现有的经验性PINN-FEM方案提供理论基础，解决了它们的局限性。新框架包括一个闭式接口阻抗和一个针对PINNs的收缩定理，在流固耦合问题（特别是涉及接触和拓扑变化的问题）中展现出更高的准确性和稳定性。 AI
影响 这项研究为将神经网络与传统模拟方法集成引入了一个更强大的理论框架，有可能提高AI在复杂科学建模中的准确性和适用性。
排序理由 这是一篇详细介绍新计算方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.14181v1 Announce Type: cross Abstract: Physics-informed neural networks (PINNs) are meshless and carry moving geometry and topology change through resampling of collocation points; the finite-element method (FEM) is the workhorse for boundary-fitted discretisations. Co…
Physics-informed neural networks (PINNs) are meshless and carry moving geometry and topology change through resampling of collocation points; the finite-element method (FEM) is the workhorse for boundary-fitted discretisations. Coupling the two across a shared interface promises …