finite basis physics-informed neural networks
PulseAugur coverage of finite basis physics-informed neural networks — every cluster mentioning finite basis physics-informed neural networks across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的高斯-牛顿方法加速物理信息神经网络
研究人员开发了一种新颖的高斯-牛顿优化方法,专门用于有限基物理信息神经网络(FBPINNs)。该方法利用了 FBPINNs 因其重叠域分解架构而固有的块稀疏结构。通过采用稀疏自动微分和图着色,该方法能够高效地计算和利用雅可比矩阵和高斯-牛顿矩阵,从而降低计算成本和内存使用量。该技术允许以块稀疏形式组装高斯-牛顿系统,从而可以使用可扩展的稀疏线性代数求解器,并显著加速复杂偏微分方程的优化速度,优于一阶方法。
-
新AI方法增强了物理信息神经网络的域分解
研究人员推出了一种名为自适应域分解有限基物理信息神经网络(ADD-FBPINNs)的新方法,该方法将单位分割网络(POUNets)与有限基物理信息神经网络(FBPINNs)相结合。该方法通过使用POUNets学习数据驱动的分割来增强域分解,从而实现更稳定和可解释的几何分割。与采用固定域划分的传统FBPINNs相比,ADD-FBPINNs框架在亥姆霍兹方程、泊松方程和粘性Burgers方程等各种方程上都显示出更高的准确性。
-
新型神经网络方法解决复杂的波传播问题
研究人员开发了一种新颖的方法,使用基于有限基元的物理信息神经网络(FBPINNs)来求解亥姆霍兹方程,这是模拟声学和电磁学等领域波传播的关键任务。该方法采用域分解技术,将问题划分为多个子域,每个子域由一个本地神经网络处理。该研究评估了这些多层FBPINNs的准确性和效率,特别是在处理复杂二维域和高频波问题时,并提出它们可能优于传统的数值方法。
-
新的FBPINNs方法改进了多孔域中的流体流动模拟
研究人员开发了一种名为有限基物理信息神经网络(FBPINNs)的新方法,以更准确地模拟高度多孔域中的粘性流体流动。传统的物理信息神经网络在处理大量孔洞引入的复杂边界条件和精细尺度流动特征时遇到困难,常常导致准确性和效率问题。FBPINNs方法通过结合域分解和局部化原理以及硬约束来精确编码边界条件,从而缓解了频谱偏差并提高了收敛性,无论孔洞数量如何,都能解决这一问题。