HSPINN
PulseAugur coverage of HSPINN — every cluster mentioning HSPINN across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的RA-HSPINN方法提高了神经网络求解复杂PDE的准确性
研究人员开发了一种名为可靠性感知硬-软物理信息神经网络（RA-HSPINN）的新方法，以提高用于求解偏微分方程（PDE）的神经网络的训练和准确性。该方法通过引入一个可学习的可靠性场来调节网络的内部表示，从而增强了现有的硬-软PINN，有助于解决损失不平衡和优化刚度等问题。在包括非线性Burgers方程和混合边界泊松问题在内的各种挑战性PDE问题上的评估表明，与以前的方法相比，误差显著降低，尤其是在具有尖锐梯度、噪声数据或复杂解结构的情况下。
-
新的HSPINN方法提高了物理信息神经网络的精度
研究人员开发了一种名为自适应硬-软物理信息神经网络（HSPINN）的新方法，以提高物理信息神经网络（PINNs）的训练和精度。传统的PINNs由于优化挑战，在收敛缓慢和边界执行不准确方面存在困难。HSPINN通过精确执行Dirichlet和周期性边界条件来解决这个问题，同时将PDE残差和其他条件视为软约束。自适应损失加权策略动态平衡这些约束，消除了手动调整并提高了稳定性。与传统的PINNs相比，这种方法在各种问题上显示出更快的收敛速度…
-
新型神经网络以更高的精度和速度加速偏微分方程求解 · 跟踪 4 个来源
研究人员正在开发先进的神经网络架构来改进偏微分方程 (PDE) 的求解。一种方法是自适应硬-软物理信息神经网络 (HSPINN)，它能精确强制执行边界条件，并使用自适应损失加权来平衡不同约束，从而比传统的 PINN 具有更快的收敛速度和更高的精度。另一种方法是时间诱导神经网络 (TINNs)，它将网络权重参数化为时间的函数，使空间表示能够演变，并显著提高了误差性能和收敛速度。此外，一种基于快速直接求解器的神经网络利用分层矩阵来学习 P…