实体
Nathanael Tepakbong
Nathanael Tepakbong
PulseAugur coverage of Nathanael Tepakbong — every cluster mentioning Nathanael Tepakbong across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新的PINN方法提高了椭圆边值问题的精度
研究人员开发了一种新的方法，使用边界自适应物理信息神经网络（PINNs）来求解椭圆Dirichlet边值问题。该方法包括将神经网络的输出乘以一个归一化到一阶的到边界距离的近似值。该研究提供了理论误差界，并通过数值实验证明，这种边界自适应提高了精度和收敛性，而错误的选择则会降低解的质量。该工作还为神经网络导数和高阶Sobolev范数中的逼近能力提供了新的界限。
-
FK-PINNs改进了复杂偏微分方程的神经网络训练
研究人员开发了一种新方法，以改进物理信息神经网络（PINNs）在求解复杂偏微分方程（PDEs）方面的训练。该技术被称为“FK-PINNs”，在标准的PINN损失函数中引入了一个数据保真项，充当算子级别的预处理器。该方法被证明可以显著降低损失景观的条件数，从而在标准PINNs失效的情况下实现收敛。该方法利用Feynman-Kac泛函的蒙特卡洛平均来生成标签，并为具有tanh激活的网络提供非渐近误差界。