physics-informed neural networks
PulseAugur coverage of physics-informed neural networks — every cluster mentioning physics-informed neural networks across labs, papers, and developer communities, ranked by signal.
- instance of Physics-Informed Neural Network 95%
- instance of HSPINN 95%
- developed by HSPINN 95%
- used by partial differential equations 90%
- instance of Gotit.pub 90%
- instance of alphaXiv 90%
- developed Gotit.pub 90%
- instance of ScienceCast 90%
- used by Navier–Stokes equations 90%
- instance of convection 90%
- developed HSPINN 90%
- used by partial differential equation 90%
11 天有情绪数据
-
新的FT-PINN方法提高了AI在激波模拟中的准确性
研究人员开发了一种名为特征跟踪物理信息神经网络（FT-PINN）的新方法，以提高神经网络在模拟具有激波的守恒定律时的准确性。传统的物理信息神经网络由于数据点分布不均，在处理激波时存在困难，导致解决方案不准确。FT-PINN通过在固定参考域上定义解，并将其与变形图组合来解决这个问题，使得数据点能够集中在激波等特征上，而无需预先知道其位置。与标准的PINN相比，该方法在各种测试问题上准确解析激波方面表现出优越的性能。
-
新的初始化策略解决了物理信息神经网络中的频谱偏差问题
研究人员为傅里叶特征物理信息神经网络（PINNs）开发了一种新的初始化策略，以解决频谱偏差问题。频谱偏差是指在训练过程中，目标函数的某些频率收敛速度较慢的常见问题。通过分析神经切线核（Neural Tangent Kernel）机制下的训练动力学，他们推导出一个方程，表明初始化权重显著影响频率收敛速率。所提出的方法根据要解决的特定偏微分方程（PDE）调整初始权重分布，平衡了不同频率的收敛性，并在不增加训练成本的情况下提高了预测精度。
-
新工作流程简化了具有生物学启发的神经网络的超参数选择
研究人员开发了一种诊断工作流程，以协助选择具有生物学启发的神经网络（BINNs）的超参数。BINNs 是一种用于学习偏微分方程中项的物理信息神经网络。该工作流程解决了超参数选择的挑战，因为超参数选择通常是启发式的且记录不充分，阻碍了可复现性。所提出的方法通过询问增加网络容量是否有益、进一步训练是否会降低验证损失以及学习到的项是否会随着容量和训练的增加而稳定来指导用户。该工作流程应用于合成系统，证明验证损失与学习到的项的真实误差相关，为…
-
Kolmogorov-Arnold网络在扩展性、偏微分方程和可解释性方面展现出潜力 · 跟踪3个来源
研究人员正在探索Kolmogorov-Arnold网络（KANs）的能力和理论基础，这是一种替代传统多层感知器（MLPs）的方法。一项研究调查了KANs的神经扩展定律以及它们的可学习激活函数如何随着数据集的扩展而演变，发现图像分类和科学回归任务具有不同的扩展行为。另一篇论文将KANs应用于求解自由边界偏微分方程，证明了与物理信息神经网络相比，它们在准确解析复杂区域和界面方面的有效性。第三篇论文通过检查Fisher Simplicity…
-
新的物理信息方法自适应地为复杂方程构建函数表示
研究人员开发了一种新颖的物理信息群组数据处理方法（PI-GMDH），该方法能够自适应地构建函数表示来求解复杂的物理方程。该方法在求解过程中逐步构建表示，评估候选函数方向并优化系数。在不可压缩Navier-Stokes方程的Taylor Green基准测试中，PI-GMDH取得了高度精确的结果，并且与传统的物理信息神经网络和Kolmogorov-Arnold网络相比，所需的活跃函数数量更少。
-
深度学习模型解决复杂的数学问题
研究人员开发了新颖的深度学习方法，特别是物理信息神经网络（PINNs）和深度算子网络（DeepONets），来解决复杂的无穷大和p-Laplace问题。这些神经网络方法为传统的基于网格的求解器提供了一种更有效率的替代方案，尤其是在三维问题中计算成本显著更高的情况下。该研究包括理论贡献，例如PINN近似的条件收敛结果以及DeepONets的通用近似结果，并通过数值实验进行了验证。
-
NEXT架构增强了用于硬性偏微分方程的物理信息神经网络
研究人员引入了NEXT，一种新颖的物理信息神经网络架构，旨在更有效地处理硬性微分方程。NEXT将神经谱架构（NeuSA）的谱表示与高阶指数积分器相结合，可以精确积分向量场的线性硬性部分。这种方法在硬性偏微分方程的基准实验中确保了稳定性和准确性，而之前的NeuSA等方法会出现发散。该研究还证明了NEXT在逆问题中的应用，例如从稀疏数据中学习未知参数。
-
新的训练方法提升了物理信息神经网络
研究人员推出了一种名为分阶段深度训练（Staged Depth Training, SDT）的新型表示学习课程，旨在提高物理信息神经网络（PINNs）的性能。该方法独立于最终预测任务，显式地分阶段学习和优化表示。SDT在各种PINN基准测试中均显示出显著的改进，包括在PirateNet风格骨干网络上几何平均误差降低32.8%，以及在泊松-玻尔兹曼二维问题上增强了深度缩放指数。该技术旨在提升PINN能力，而无需改变核心架构或需要特定于方程的编码。
-
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。
-
新研究探讨物理信息神经网络和算子 · 追踪10个来源
多篇研究论文探讨了物理信息神经网络（PINNs）和神经网络算子的进展。一项研究调查了机器学习模型中改进的分数是否能直接转化为翼型周围流动模拟的更好物理精度。另一篇论文质疑了PINNs对自动微分的依赖，认为数值精度不能保证物理保真度。其他研究引入了新颖的架构和训练方法，例如用于界面对流的无数据算子、使用嘈杂的蒙特卡洛估计进行粒子输运训练，以及用于改善物理信息训练中条件化的预处理损失。还提出了因果积分项和梯度手术等技术，以增强PINNs在…
-
新型PIRNN模型利用历史物理数据改进时间序列预测
研究人员开发了一种物理信息循环神经网络（PIRNN），通过整合历史数据中的物理知识来改进时间序列预测。与之前的物理信息神经网络（PINNs）不同，PIRNN可以估计不可观测的中间物理变量，从而提高模型的鲁棒性和可解释性。该模型在花园尼亚（Gardenia）物理模型的地下水位预测任务上进行了测试，并在多个数据集上优于其他神经网络模型，凸显了物理背景在预测任务中的重要性。
-
物理信息神经网络加速太阳光谱分析
研究人员开发了一个新颖的物理信息神经网络（PINN）框架，以显著加速用于分析太阳色球层光谱线的“多层光谱反演”（MLSI）。这种新方法MLSI-PINN直接从观测到的谱线轮廓预测MLSI参数，并使用可微分的正向模型进行合成。通过采用结合了光谱重建损失和参数空间监督的两阶段训练策略，该框架避免了对大量预先计算的训练数据集的需求。将其应用于太阳光谱仪数据，MLSI-PINN以高相关系数成功重现了传统反演的空间结构，并且推理速度比传统的ML…
-
新方法改进物理信息神经网络的训练
研究人员开发了Norm-PCGrad，一种新颖的方法，用于在域分解中使用时改进物理信息神经网络（PINNs）和物理信息Kolmogorov-Arnold网络（PIKANs）的训练。该技术解决了在损失函数中组合残差项、边界项和接口项时出现的梯度冲突问题。Norm-PCGrad在各种2D和3D问题上展示了最先进的准确性，且计算开销极小。此外，该研究提出使用可分离架构（如SPINN）来增强域分解框架内的计算效率。
-
新研究解决PINN在求解PDE方面的局限性 · 跟踪4个来源
近期研究探讨了用于求解偏微分方程（PDE）的物理信息神经网络（PINN）的进展。一篇论文介绍了一种物理信息随机特征方法来解决PINN中的谱偏差问题，降低了计算复杂性并提供了理论误差界限。另一项研究发现了PINN中的一种导数保真度失效模式，证明了准确的函数逼近并不能保证准确的导数，特别是对于二阶导数。第三篇论文提出了一种架构冲突解决PINN（ACR-PINN），该方法结合了层级坐标适应和梯度冲突解决，显著提高了各种基准测试的准确性。最后…
-
新的 arXiv 论文对优化器进行基准测试并为反问题去偏 PINN
两篇新的 arXiv 论文探索使用可微分物理模拟器和物理信息神经网络 (PINNs) 解决反问题。第一篇论文在 12 个可微分物理模拟器上对各种优化器进行了基准测试，以识别参数识别、逆设计和最优控制的有效策略。第二篇论文提出了一种使用 PINNs 的偏微分程约束反问题的去偏估计程序，通过纠正神经网络的干扰函数的偏差，实现了 $\sqrt{n}$ 一致且渐近正态的估计器。
-
物理增强型神经网络加速冰川模拟
研究人员开发了一种新方法来增强用于复杂冰流模拟的神经网络求解器。通过将物理派生输入纳入神经网络，新方法与标准方法相比显著提高了鲁棒性和准确性。这种物理增强技术能够更快、更有效地模拟冰川动力学，即使是对于大规模和长时间的场景，并且使用的可训练参数更少。
-
基于物理信息神经网络推断仿星器中的等离子体传导率
研究人员开发了一个新颖的框架，使用基于物理信息神经网络（PINNs）的方法来推断仿星器装置剥离层中的垂直能量传导率。该方法将等离子体剖面测量与简化的输运方程相结合，以约束推断出的传导率 $\kappa_\perp(n,T)$。该框架通过合成数据进行了验证，误差小于10%，并已应用于TJ-II仿星器的实验数据，提供了有效剥离层传导率的初步估计。
-
新的PI-GNN提供改进的应力局部化建模
研究人员开发了一种新颖的变分物理信息图神经网络（PI-GNN），旨在更准确地模拟非均质固体中的应力局部化。与依赖惩罚项或特定正则化宽度的传统物理信息神经网络（PINNs）不同，该PI-GNN将非均质性直接集成到网格图中并最小化总势能。这种方法显著减少了应力和位移计算中的误差，尤其是在材料刚度失配的宽范围内，其性能优于强形式PINNs，并取得了与有限元方法相当的结果。
-
研究比较了用于人工智能的偏微分方程求解器的自动微分与基于离散化的约束
一篇新的研究论文系统地分析了用于求解偏微分方程（PDE）的物理信息神经网络（PINNs）中自动微分（AD）与基于离散化的约束之间的权衡。研究表明，随着问题非线性的增加，基于离散化的约束相比AD具有明显的精度优势。此外，研究表明，在处理复杂的非线性和边界条件时，图神经网络（GNNs）的表现优于多层感知机（MLPs），为工程应用中配置神经PDE求解器提供了实践指导。
-
基于物理信息神经网络的颗粒雪崩模型
研究人员开发了一种基于物理信息神经网络（PINN）的模型来模拟曲面地形上的颗粒雪崩动力学。这种新颖的方法基于Savage-Hutter方程和Mohr-Coulomb理论，并通过实验室实验进行了验证。该研究强调了分阶段时间训练课程和战略性数据放置对于实现准确预测至关重要，表明少量位置优越的观测点比大量位置不佳的观测点更有效。