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.
- developed by HSPINN 95%
- instance of Physics-Informed Neural Network 95%
- instance of HSPINN 95%
- used by partial differential equations 90%
- instance of convection 90%
- used by partial differential equation 90%
- developed HSPINN 90%
- used by Ordinary Differential Equations 80%
- instance of partial differential equations 70%
- instance of alphaXiv 70%
- instance of ScienceCast 70%
- competes with finite element method 70%
16 天有情绪数据
-
PINN训练技术显示出复杂的交互作用，而非简单的累加
一项关于用于流体动力学模拟的物理信息神经网络（PINN）的新研究揭示了不同训练技术之间复杂的交互效应。虽然许多提出的方法单独使用时改进不大，但结合周期性激活和因果加权可以显著提高模拟纳维-斯托克斯方程涡街的精度。然而，增加更多技术可能导致性能下降，这表明并非所有干预都是互补的，更复杂的训练方法并非总是更优。
-
Neptune方法从稀疏数据中估计复杂的偏微分方程参数
研究人员推出了一种名为Neptune的新方法，该方法旨在利用稀疏测量来推断复杂多物理场偏微分方程（PDE）中的参数场。该方法利用独立坐标神经网络来表示参数场，其性能优于物理信息神经网络（PINNs）和神经算子等现有方法。Neptune在仅有45个测量值的情况下就展示了强大的参数估计能力，显著降低了误差，并显示出优越的物理外推能力。
-
新的基于PINN的框架求解复杂HJI方程
研究人员开发了一个新框架，将动态规划与物理信息神经网络（PINNs）相结合，以求解称为Hamilton--Jacobi--Isaacs（HJI）方程的复杂数学方程。该方法旨在处理高维和非凸HJI方程，这些方程在随机微分博弈和鲁棒控制等领域至关重要。所提出的方法在求解线性偏微分方程和使用自动微分更新控制策略之间交替进行，并展示了可证明的稳定性和收敛性。数值实验表明了该方法的准确性和可扩展性，在某些应用中优于直接PINN求解器，并显示出在…
-
新的诊断方法评估逆PINN参数精度
研究人员开发了一种新颖的双轴诊断方法来评估逆物理信息神经网络（PINN）的参数精度。该方法区分了由分辨率限制引起的误差和由网络固有的参数偏差引起的误差。该方法在合成一维偏微分方程上进行了测试，证明了其在跟踪参数偏好和指导未来研究方向方面的有效性。
-
新的MiNO方法学习偏微分方程传播子，以改进科学机器学习
研究人员开发了MiNO，一种通过关注传播子而非解场或映射来学习偏微分方程（PDE）的新方法。该方法利用eikonal方程来处理相位，利用输运方程来处理幅度，通过振荡积分来重构解。与传统的物理信息神经网络和监督傅里叶神经网络算子相比，MiNO在涉及不连续对流的基准测试中表现出更高的准确性和效率，并且无需重新训练即可泛化到未见的初始条件。
-
AI模型利用有限数据改进锂离子电池健康状态估计
研究人员开发了新的锂离子电池健康状态（SOH）估计方法，特别是在标记数据稀缺的情况下。一种方法利用降解对齐的自监督学习和CNN-GRU模型，即使只有1%的标记数据也能实现低误差率。另一种方法采用物理信息神经网络，利用电池部分放电数据实时估计SOH并预测退化，为异构操作条件提供了更稳健的解决方案。
-
两阶段PINN方法增强了PDE反问题求解能力 · 跟踪2个来源
研究人员开发了一种新颖的两阶段学习框架，使用物理信息神经网络（PINNs）来更稳健地求解偏微分方程（PDEs）的反问题。第一阶段采用双网络方法来近似PDE解和不连续系数的连续代理，并结合自适应加权以改进在不连续性附近的训练。第二阶段将系数视为分段常数函数来优化反问题，证明了对具有跳跃不连续性的PDE进行准确参数估计。
-
新的wPINN框架解决了流形上的双曲守恒律问题
研究人员引入了一个新颖的弱物理信息神经网络（wPINN）框架，旨在解决黎曼流形上的复杂双曲守恒律问题。这种新方法克服了现有PINN方法在理论上的不足，特别是在流形上的理论空白以及在处理双曲方程中常见的低正则解方面的困难。wPINN框架建立了局部L1稳定性估计，能够进行严格的收敛性分析，并为时变熵解提供近似保证。数值实验证明了该框架在流形几何上近似解的准确性。
-
新的PINN框架提高了反问题的稳定性
研究人员开发了一种新的两阶段训练框架，用于物理信息神经网络（PINNs），以解决求解一维多孔介质方程（PME）反问题的挑战。用于反问题的标准PINN公式对初始猜测敏感，导致局部收敛。所提出的两阶段方法提高了收敛稳定性，即使在初始猜测不佳的情况下也能可靠地恢复未知参数，为复杂PME问题的经典方法提供了更鲁棒的替代方案。
-
新的STEER2REACH方法改进了Hamilton-Jacobi可达性分析
研究人员开发了STEER2REACH (S2R)，一种用于求解Hamilton-Jacobi (HJ) 可达性问题的新方法。该方法利用物理信息神经网络 (PINNs) 和一种自适应采样分布，该分布根据当前值函数和注入的噪声来引导前向轨迹。S2R旨在提高HJ可达性分析的准确性并降低其计算复杂度，这对于动态系统的安全控制至关重要。与最先进的、由模型预测控制 (MPC) 引导的求解器相比，该方法表现出具有竞争力的性能，在没有复杂的多阶段训练…
-
新AI方法改进心脏灌注MRI量化
研究人员开发了一种新方法，该方法使用物理信息神经网络（PINNs）与时空隐式神经表示（INRs）相结合，以增强心脏磁共振成像（CMR）心肌灌注的量化。这种新方法旨在通过将MR信号表示为连续函数来提高灌注参数估计的准确性和一致性。在模拟中，PINN-INR模型在参数估计方面表现出比现有技术更强的鲁棒性和更高的精度。
-
新的弱熵PINN框架解决了双曲守恒律中的不连续解问题
研究人员开发了一种新颖的弱熵PINN（WEPINN）框架，以解决使用神经网络求解具有不连续解的双曲守恒律的挑战。该新方法在其弱形式中强制执行控制方程，并整合熵条件以确保物理上可接受的解，利用离散快速傅里叶变换（DFFT）进行高效数值积分。大量实验表明，WEPINN能够准确地解析尖锐的不连续性，并捕捉一维和二维标量和系统守恒律中的复杂波相互作用。
-
新研究探讨PINNs的有限差分方法
一篇新论文探讨了在物理信息神经网络（PINNs）中使用有限差分（FD）方法计算导数，并将其作为自动微分（AD）的一种替代方案。研究表明，当经过适当校准时，FD方法在各种批次大小下可以与AD在准确性上相媲美，同时速度更快、内存效率更高。该论文还指出了标准PyTorch自动微分在某些神经网络架构中可能存在的潜在不准确性，并建议FD作为在相关尺度下逐样本导数的一种更可行的近似方法。
-
新的STEER2REACH方法简化了Hamilton-Jacobi可达性分析
研究人员开发了一种新的Hamilton-Jacobi (HJ) 可达性问题求解方法STEER2REACH (S2R)。该方法利用了物理信息神经网络 (PINNs)，并解决了限制HJ可达性实际应用的计算复杂性问题。S2R采用自适应采样分布，通过最优控制和扰动信号以及随机噪声来引导前向轨迹，从而在对标准PINNs训练进行最小修改的情况下学习精确的安全价值函数。
-
有限差分法为PINNs提供更快、更准确的导数计算
一篇新论文探讨了有限差分（FD）方法作为物理信息神经网络（PINNs）中自动微分（AD）计算导数的替代方案。研究表明，在各种批处理大小下，FD在精度上可以媲美AD，同时提供更快的计算速度并减少GPU内存使用。此外，该研究强调了标准PyTorch autograd在某些神经网络架构中可能存在的潜在不准确性，建议使用FD作为更可靠的近似方法。
-
物理学博士候选人寻求转岗机器学习工程师
一位专注于量子光学和光子学的电气工程博士候选人正在寻求关于转岗到机器学习工程师职位的建议。该候选人强调了丰富的软件开发经验、参加编码竞赛的经历以及多个基于机器学习的研究项目，其中包括一个专注于SiC光栅设计优化的项目，以及另一个使用机器学习进行量子比特控制的项目。他们对物理信息神经网络（PINNs）和其他物理学在机器学习中的应用特别感兴趣，并希望获得其他成功实现类似职业转型者的见解，特别是那些拥有物理学背景的人。
-
ProPINN架构解决了物理信息神经网络中的传播失败问题
研究人员推出了一种新颖的架构ProPINN，旨在解决物理信息神经网络（PINNs）中的传播失败问题。当来自初始或边界条件的监督信号未能有效到达被建模区域的内部时，就会发生这些失败。ProPINN旨在通过统一区域点的梯度来克服这一问题，为识别和解决这些问题提供更精确的定量标准。据报道，新架构在性能上显著优于先进的基于Transformer的模型。
-
探索用于3D流体动力学的PINN中的程函方程正则化
一篇新研究论文探讨了程函方程正则化在物理信息神经网络（PINNs）中模拟三维流体动力学的有效性。该研究由Muhammad Akbar Khan撰写，研究了该正则化器的权重如何影响各种基准测试的准确性和可复现性，包括平移、旋转和带槽球体。研究结果表明，最佳权重高度依赖于流动的几何复杂性，并且尽管PINNs提供了一种有前途的方法，但在测试场景中，五阶WENO求解器表现出更高的准确性。
-
新的FBPINNs方法改进了多孔域中的流体流动模拟
研究人员开发了一种名为有限基物理信息神经网络（FBPINNs）的新方法，以更准确地模拟高度多孔域中的粘性流体流动。传统的物理信息神经网络在处理大量孔洞引入的复杂边界条件和精细尺度流动特征时遇到困难，常常导致准确性和效率问题。FBPINNs方法通过结合域分解和局部化原理以及硬约束来精确编码边界条件，从而缓解了频谱偏差并提高了收敛性，无论孔洞数量如何，都能解决这一问题。
-
新的分层表示提升了物理信息神经网络的性能
研究人员引入了一种新颖的分层秩演化（HRE）表示，旨在增强物理信息神经网络（PINNs）。该新方法通过自动确定最优秩来解决现有基于张量的PINNs的局限性，从而提高对复杂解结构的捕捉能力。在包括流体动力学和静态方程在内的各种物理问题上的大量实验表明，HRE-PINNs与当前最先进的方法相比，实现了更高的准确性。