Physics-Informed Neural Network
PulseAugur coverage of Physics-Informed Neural Network — every cluster mentioning Physics-Informed Neural Network across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
物理信息神经网络模拟双材料系统中的波传播
研究人员开发了一个利用物理信息神经网络（PINNs）模拟双材料系统中弹性动力学波传播的新颖框架。该方法将物理定律直接嵌入神经网络，能够准确预测材料界面上的波传输和反射。该框架已通过高保真有限元模拟进行了验证，并证明了其作为连续代理模型的能力，无需额外的计算成本即可预测未见过条件下的响应。
-
新AI框架增强偏微分方程解嵌入和建模
研究人员开发了一个新的物理信息框架，该框架使用多头物理信息神经网络来学习偏微分方程（PDE）解族的有限维嵌入。该方法有效地降低了解空间的维度，对于粘性Burgers方程、热方程和波动方程等方程，大部分方差由少数主成分捕获。此外，另一项研究引入了条件Clifford-可操纵CNN（C-CSCNNs），通过引入对伪欧几里得群的等变性来增强CNN在PDE建模中的表达能力，在流体动力学和相对论电动力学预测任务上表现出改进的性能。
-
新的PINN-GNN框架增强了用于无线优化的射频地图构建
研究人员开发了一种新颖的框架，结合了物理信息神经网络（PINN）和图神经网络（GNN）来构建射频（RF）地图。该方法支持从不同场景生成新的射频地图并补全现有地图，同时还能处理二维和2.5D环境数据。PINN整合了电磁传播规则，以确保从接收器位置到多径参数映射的物理一致性，而GNN则对附近接收器之间的空间相关性进行建模。实验表明，该方法在准确性和泛化性方面优于现有的基于图像、基于扩散和基于插值的方法，尤其是在数据有限的条件下。
-
新型物理残差网络改进质子交换膜水电解中的氢气渗透预测
研究人员开发了一种新颖的硬约束物理残差网络（PR-Net），用于预测质子交换膜水电解（PEMWE）中的氢气渗透。该PR-Net将基本物理定律整合为确定性骨干，仅学习未建模非线性效应的残差校正。它在预测准确性和外推能力方面，尤其是在高压下，显著优于传统数据驱动神经网络和软约束物理信息神经网络。
-
新的PINN基准增强了海上风力涡轮机结构监测
研究人员开发了一个名为Digi Turbine的新基准，旨在提高海上风力涡轮机结构健康监测的可靠性。该基准利用了物理信息神经网络（PINNs），并集成了贝叶斯逆向识别和一阶可靠性方法（FORM）筛选。该系统旨在通过稀疏测量实现更快的状态估计，克服了传统高保真模拟和纯数据驱动方法的局限性。
-
新的 eikonal 笼罩法增强机器人操作规划
研究人员开发了一种名为“面向全臂操作规划的物理信息 eikonal 笼罩法”的新方法。该方法解决了涉及与物体长时间接触的复杂机器人运动规划的挑战，而这些接触很难准确建模。通过将笼罩重新表述为最小时间逃逸问题，该方法创建了一个连续的逃逸时间场，可以使用物理信息神经网络进行近似。这使得更平滑、可微分的表示能够增强操作规划，提高对干扰和接触模型不匹配的鲁棒性。
-
新的机器人操作规划方法使用物理信息神经网络
研究人员开发了一种名为物理信息 eikonal 围堵法（Physics-Informed Eikonal Caging）的新方法，用于机器人全臂操作规划。该方法将“围堵”对象的概念重新表述为最小时间逃逸问题，创建了一个连续的逃逸时间场。然后，使用物理信息神经网络来近似该场，从而提供一个平滑且可微分的表示，可以集成到规划算法中。该方法通过仿真和真实世界实验证明，能够提高操作对接触模型不准确性和干扰的鲁棒性。
-
PINN框架克服了热扩散中的噪声和维度限制
研究人员开发了一个物理信息神经网络（PINN）框架，以解决传统数值方法（如有限差分法（FDM））在处理噪声高维热扩散问题时的局限性。在具有20%边界噪声的3D模拟中，PINN保持了约91%的准确率，而FDM的准确率下降到36%。PINN在实际噪声条件下，在物理铜热系统中的表现也更优越，边界重建误差降低了3.3倍，并且在3D场景下比FDM更有效率。
-
新的PINN框架整合文献和网络数据用于微生物建模
研究人员开发了一种新颖的物理信息神经网络（PINN）框架，该框架整合了实验数据以外来源的辅助知识。这种新方法通过纳入同行评审文献和网络结构的信息来增强参数发现，并专门应用于微生物相互作用建模。该框架在微生物群落建模的准确性和预测能力方面表现出显著的改进，优于现有方法并揭示了生态学见解。
-
新的PINN框架求解具有各种初始条件的Fokker-Planck方程
研究人员开发了一个新的框架，使用条件归一化流和物理信息神经网络（PINNs）来求解Fokker-Planck方程（FPE）。该方法通过重新构建问题以近似一个转移概率密度函数（PDF），从而有效地近似了各种初始条件的解算子。该方法利用一个相关的线性随机微分方程的PDF作为归一化流的基础分布，提高了准确性，尤其是在早期时间点，并减轻了数值不稳定性。
-
物理信息神经网络改进污染物传输建模
研究人员开发了一种新颖的两域物理信息神经网络 (PINN) 框架，用于模拟污染物通过复合衬垫系统的传输。该框架采用硬约束 PINN (H-PINN) 方法，将边界和初始条件直接嵌入网络中，与标准 PINN 相比，可实现显著更准确和稳定的预测。H-PINN 在平均绝对误差和平均相对误差方面均有大幅降低，并成功扩展到逆向建模，以从观测数据中确定降解半衰期。
-
PINNs 增强 PDE 求解器的自适应网格细化
研究人员开发了一种新颖的方法，该方法使用物理信息神经网络 (PINNs) 来增强偏微分方程 (PDE) 的有限差分求解器中的自适应网格细化 (AMR)。这种混合方法采用 PINNs 来识别高求解难度区域，从而指导有限差分求解器更有效地分配计算资源。在粘性 Burgers 方程等基准测试上的评估表明，与均匀细化策略相比，误差显著降低，自由度更少。
-
FEA-PINN 以可比的精度加速熔池模拟
研究人员开发了一个名为 FEA-Regulated Physics-Informed Neural Network (FEA-PINN) 的新框架，用于加速激光粉末床熔融 (LPBF) 中熔池动力学的模拟。这种新方法在推理阶段整合了校正性有限元分析 (FEA) 模拟，以保持物理一致性并减少误差漂移，尤其是在捕捉陡峭梯度方面。FEA-PINN 框架能有效处理动态相变、温度依赖性材料特性和各种对流效应，实现了与传统 FEA 方法相当的精度…
-
物理信息神经网络估算液液分离相高度
研究人员开发了一个利用物理信息神经网络（PINNs）估算液液分离过程中密集堆积区高度的新颖框架。该方法将预先在合成数据和简化的机械模型上训练的PINN与现成的体积流量测量相结合。然后，该系统使用有限的实验数据进行微调，并集成到扩展卡尔曼滤波器中，以实现无需直接测量即可进行准确的实时相高度跟踪。
-
物理信息神经网络模拟热力逆温下的污染扩散
研究人员开发了一个鲁棒的物理信息神经网络（PINN）框架，用于模拟随时间变化的污染传播，特别是在热力逆温条件下。该新框架采用鲁棒变分方法和基于搭配的策略来提高训练速度和准确性。该模型在斯匹次卑尔根的朗伊尔城进行了测试，以雪地摩托交通为案例研究，揭示了热力逆温如何将污染物滞留近地面，导致空气质量显著恶化。
-
物理信息神经网络增强电力系统安全性，抵抗数据攻击
研究人员开发了一种新的物理信息神经网络（PINN），旨在增强电力系统状态估计在面对虚假数据注入攻击时的安全性。该模型将潮流一致性直接整合到其学习过程中，旨在提高准确性和鲁棒性，而无需依赖对抗性训练方法。该方法利用动态损失加权公式来管理数据拟合和物理残差之间的平衡，在IEEE 118节点系统上表现优于现有的PINN变体。
-
深度学习模型通过精确溶解氧传感提升海洋监测能力
研究人员开发了一种在海洋环境中监测溶解氧水平的新方法，即使传感器受到生物污损的影响。该系统集成了基于摄像头的传感器和物理信息神经网络（PINN），后者利用了视觉Transformer（ViT）。与传统方法相比，该方法显著提高了准确性，平均绝对误差降低了高达92%，绝对误差约为2 umol/L。