PulseAugur
中
实时 11:52:52
English(EN) TINNs: Time-Induced Neural Networks for Solving Time-Dependent PDEs

新的TINNs架构改进了时变偏微分方程的求解

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的架构——诱导时间神经网络（TINNs），旨在改进时变偏微分方程（PDEs）的求解。与使用单个网络处理所有时间步长的传统物理信息神经网络（PINNs）不同，TINNs将网络权重参数化为时间的函数，使空间表示能够动态演变。这种方法通过Levenberg-Marquardt方法进行优化，在实验中显示出比现有方法高出四倍的相对误差和快十倍的收敛速度。 AI

影响 这种新架构有望为科学领域的复杂时变问题提供更有效、更精确的解决方案。

排序理由 该集群包含一篇详细介绍求解微分方程新方法的学术论文。[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) · Chen-Yang Dai, Che-Chia Chang, Te-Sheng Lin, Ming-Chih Lai, Chieh-Hsin Lai ·

    TINNs: Time-Induced Neural Networks for Solving Time-Dependent PDEs

    arXiv:2601.20361v2 Announce Type: replace Abstract: Physics-informed neural networks (PINNs) solve time-dependent partial differential equations (PDEs) by learning a mesh-free, differentiable solution that can be evaluated anywhere in space and time. However, standard space-time …

相关实体

相关话题