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
-
新的Cova-PINN框架增强了复杂几何形状中的传热模拟
研究人员开发了Cova-PINN，一种新颖的多域物理信息神经网络（PINN）框架，旨在提高复杂几何形状中流固共轭传热（CHT）模拟的准确性。与以往分别处理域的方法不同，Cova-PINN在局部和全局尺度上优化了跨域能量平衡。在各种换热器设计上的评估表明，与现有的PINN基线相比，Cova-PINN显著降低了出口温度和整体能量传递的误差。
-
Conformal deep learning models pion form factor from first principles
研究人员开发了一种利用共形z平面（conformal z-plane）的物理信息神经网络（PINN），用于提取π介子电磁形状因子$F_{\pi}(s)$。这种新颖的方法将解析性（analyticity）和色散关系（dispersion relations）等基本S矩阵原理直接整合到神经网络的损失函数中，确保在以数据作为约束的同时遵守第一性原理。该方法通过将复平面映射到单位圆盘（unit disk），从而限制Hessian范数并防止神经…
-
新AI平台加速保险准备金计算
研究人员开发了一个保险准备金智能平台，该平台结合了经典的精算方法和先进的神经网络。该平台旨在通过集成Thiele微分方程求解器与物理信息神经网络（PINNs）和知识信息神经网络（KINNs），来加速人寿保险中复杂的准备金计算。该系统展示了强大的预测准确性，R2值达到0.9887，并且在速度上显著优于经典求解器，在对200份保单进行推理时速度大约快119.53倍。
-
新的混合框架将神经网络与经典模型耦合
研究人员开发了一个混合建模框架，该框架结合了预训练的数值信息神经网络（NINNs）和使用重叠施瓦茨交替法的经典全阶模型（FOMs）。该方法在二维对流-扩散方程的对流主导区域进行了测试。研究表明，与传统的物理信息神经网络（PINNs）不同，单片NINN可以在没有域分解的情况下进行精确训练。该混合框架将预训练的NINN与相邻的FOM耦合，在施瓦茨迭代期间保持NINN权重固定，并通过自顶向下和自底向上两种训练策略实现了与全FOM-FOM施瓦…
-
新的lPINN方法可大幅缩短求解微分方程的时间
研究人员开发了一种线性化物理信息神经网络（lPINN），该方法显著加快了求解微分方程的过程。该方法包括一个离线阶段，从中学习连续神经网络基函数，这些基函数来自数值解和物理残差。对于新的问题实例，通过最小化控制方程残差在线计算解，使用这些固定的基函数，与传统的PINN相比，推理时间减少了一到三个数量级。lPINN方法还展示了在不重新训练的情况下在更精细的网格上评估学习表示的能力，同时保持准确性。
-
新的PB--SAV优化器增强科学机器学习目标
研究人员开发了一种名为回拉校正标量辅助变量（PB--SAV）优化器的新优化方法，该方法专为科学机器学习中的复杂目标而设计。该方法使用一个标量来跟踪目标，同时结合了源自目标组件的曲率校正。优化器在一次隐式求解中将此校正应用于梯度和动量，以提高稳定性和收敛性。
-
物理信息神经网络应用于主动脉瘤研究
研究人员开发了一个新颖的三维物理信息神经网络（PINN）框架，用于研究人体主动脉内的血流动力学。该模型模拟了为期两分钟的脉动血流，可以提取详细的压力和速度场。通过使用拉普拉斯定律量化主动脉壁上的机械应力，PINN方法提供了一种比传统计算流体动力学（CFD）方法更具计算效率的替代方案，降低了开销，并利用自动微分实现可扩展性和成本节约。
-
新的PINN方法增强了连续体机器人的静态形状估计
研究人员开发了一种新颖的约束感知物理信息神经网络（PINN），用于精确估计共操作连续体机器人（CCRs）的静态形状。该方法有效地整合了机械平衡和几何闭环约束，在有限和嘈杂数据的情况下，其性能优于纯数据驱动的人工神经网络（ANNs）。PINN在模拟和实验环境中均显示出配置误差、平衡残差和闭链残差的显著降低，实现了高精度和高效率。
-
物理信息神经网络增强无人机路径规划
一篇研究论文介绍了一种新颖的物理信息神经网络（PINN）方法，用于动态环境中无人机（UAV）的路径规划。该方法将无人机动力学和风扰动直接嵌入学习过程，无需监督数据即可生成安全、节能且平滑的轨迹。仿真表明，PINN框架在控制能量、路径平滑度和安全裕度方面优于A*和动力学RRT*等传统算法。
-
用于非线性系统的新型物理信息学习观测器合成方法
研究人员开发了一种新颖的基于物理信息学习的方法，用于合成非线性系统的Kazantzis-Kravaris (KKL) 观测器。该方法使用一个物理信息神经网络来学习正向映射，并使用一个标准的馈送前向神经网络来学习反向映射。该论文为状态估计在近似误差和系统不确定性（包括非渐近学习保证）下的鲁棒性提供了理论保证。在基准示例上的数值模拟表明，与现有方法相比，该方法在训练域之外提供了更好的泛化能力。
-
物理信息神经网络改进电池健康预测
研究人员开发了PiDDM，一个将物理信息神经网络与退化动力学相结合的新框架，以改进锂离子电池健康状态的预测。通过结合与固体电解质界面生长和锂库存损失相关的经验Arrhenius退化动力学，PiDDM鼓励物理上一致的容量衰减。在公共数据集上的评估表明，与多层感知机和基线物理信息神经网络相比，PiDDM实现了更低的预测误差，特别是在长期外推场景中，它避免了非物理容量再生。
-
新模型比较了物理信息神经网络和张量降阶模型在溃坝模拟中的应用
研究人员开发并比较了两种用于浅水溃坝问题的参数化数据驱动降阶模型。这两种模型分别是物理信息神经网络（PINN）和非侵入式张量降阶模型（TROM），它们都可以在不进行时间积分的情况下，从参数直接学习到物理状态的映射。研究强调了包含激波感知配置点对于增强PINN模型鲁棒性的重要性，尤其是在样本外和外插参数值的情况下。
-
新的PINN框架通过改进的激活函数增强了DDFT方程的求解
研究人员开发了一个新颖的物理信息神经网络（PINN）框架，旨在解决动态密度泛函理论（DDFT）中复杂的非局部偏微分方程。这种新方法采用了一种改进的洛伦兹激活函数，与tanh等标准激活函数相比，它提高了收敛速度。此外，该框架还利用了预计算的离散算子来有效地处理非局部卷积项，从而增强了训练过程。通过对四个示例的测试证明了该PINN框架的有效性，其结果与参考解具有良好的一致性，并保持了预期的梯度流行为。
-
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。