研究人员开发了一种新颖的物理信息神经网络 (PINNs) 两阶段超参数优化策略，以解决其对超参数的敏感性和不稳定的收敛性问题。该方法在第一阶段利用演化算法通过低保真度训练快速筛选候选配置。然后，在第二阶段使用标准的基于梯度的优化器对有希望的候选者进行优化。该方法在平流、克莱因-戈登和亥姆霍兹方程上进行了评估，与标准训练相比，在计算约束下证明了更高的准确性和鲁棒性。 AI
影响 这种优化策略可能为 PINNs 建模的复杂科学问题带来更可靠、更准确的解决方案。
排序理由 该集群包含两篇相同的 arXiv 论文，详细介绍了新的研究方法。
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
- Advection
- Evolutionary Algorithms
- Helmholtz equations
- Klein–Gordon equation
- partial differential equations
- Physics-Informed Neural Networks
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
