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 alphaXiv 90%
- used by partial differential equations 70%
- instance of partial differential equations 70%
- instance of Scientific Machine Learning 70%
- used by singular value decomposition 70%
- instance of Neural Operators 60%
- developed by partial differential equations 60%
- other DagsHub 50%
- other finite element method 50%
18 天有情绪数据
-
新的RNC-LM方法增强了机器学习的非线性优化
研究人员开发了一种名为黎曼法坐标-Levenberg-Marquardt方法（RNC-LM）的新优化方法，以提高非线性最小二乘优化的稳定性和收敛性。该方法通过纳入考虑参数效应曲率的更高阶修正，解决了标准Levenberg-Marquardt（LM）方法的局限性。RNC-LM在基准测试中表现出改进的性能，包括在势能面拟合任务上实现了34倍的显著加速，并在物理信息神经网络基准测试中达到了1e-3的L2误差。
-
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。
-
新的自适应Adam优化器提高了深度学习求解偏微分方程的收敛性
一篇新论文介绍了一种学习率自适应的Adam优化器变体，旨在提高深度学习的收敛性，特别是在求解偏微分方程方面。所提出的方法根据目标函数的经验估计来调整学习率，旨在克服标准Adam和具有恒定学习率的SGD的局限性。数值模拟表明，与默认的Adam优化器相比，目标函数值减少得更快，并且理论分析为某些自适应SGD变体收敛到全局最小值的严格证明提供了依据。
-
物理信息神经网络增强强化学习的安全性
研究人员开发了一种新方法，以增强工业网络物理系统中深度强化学习（DRL）的安全性。他们的方法将可微分物理模型直接集成到近端策略优化（PPO）的actor损失函数中。这使得策略在训练过程中能够因预期的安全违规而受到惩罚，而与主要任务奖励无关。在模拟的单自由度直升机上进行测试，这种物理信息正则化显著减少了约束违规，同时保持了可靠的性能。
-
新研究保证了 SGD 训练的物理信息神经网络的收敛性
研究人员已经证明，在求解泊松方程时，随机梯度下降（SGD）训练过参数化两层物理信息神经网络（PINNs）的线性收敛性。该分析考虑了随机优化方法引入的动态随机性，为 SGD 训练的 PINNs 提供了收敛保证，扩展了先前的工作。该分析的关键在于确保训练过程中特定 Gram 矩阵的正定性。
-
新的TGSR-PINN方法增强了物理信息神经网络的迁移学习能力
研究人员开发了一种名为目标引导选择性重加权PINN（TGSR-PINN）的新方法，以提高物理信息神经网络（PINNs）在逆问题中的迁移学习能力。该方法解决了负迁移等挑战，即在一种物理参数集上训练的模型由于机制或噪声的不同而在另一种参数集上表现不佳。TGSR-PINN采用目标证据驱动策略，通过对神经元进行评分并对表现不佳的神经元的权重和偏置应用选择性软衰减来纠正表示。实验表明，该方法在平流-扩散和跨PDE族迁移等各种复杂物理任务中，在保…
-
新的物理信息算子 MeGA-MP 对度量图上的对流进行建模
研究人员开发了 MeGA-MP，这是一种新颖的物理信息消息传递算子，专为建模为度量图的对流主导系统而设计。该算子将线性对流编码为归纳偏置，使其能够在纯对流场景中无需训练即可准确恢复动力学。当与 MLPs 结合时，MeGA-MP 可扩展到复杂的对流反应动力学，在配水系统中表现出卓越的性能和零样本泛化能力。
-
新框架提升物理信息神经网络精度
研究人员开发了 DSGNAR，一个旨在改进物理信息神经网络 (PINNs) 训练的新型优化框架。该框架解决了以往限制 PINNs 精度（相比经典求解器）的病态问题。DSGNAR 在包括 Burgers 方程和高维 Poisson 问题在内的各种问题上实现了显著改进，达到了极低的误差率，同时还展示了更快的计算速度。
-
新的PINN方法重建复杂量子场论的全息对偶
研究人员开发了新的方法来重建具有大层级和假真空的量子场论的全息对偶。这项工作基于物理信息神经网络（PINNs），将全息逆问题扩展到先前无法触及的新物理领域。该方法克服了近简并态和数值刚度等挑战，能够准确重建标量势，并通过数据驱动的方法深入了解强耦合系统。
-
LieSolver 利用李对称性求解初边值问题，性能优于 PINNs
研究人员开发了 LieSolver，一种通过整合李对称性来精确强制执行偏微分方程 (PDE) 的新颖方法，用于求解初边值问题 (IBVP)。该方法仅通过初始和边界数据进行学习来嵌入物理定律，从而实现直接的全局误差量化。LieSolver 已在 А、B 和 C 等线性齐次偏微分方程上实现并进行了测试，与物理信息神经网络 (PINNs) 相比，在速度和准确性方面均表现更优，同时生成的模型也更紧凑。
-
新的迁移学习方法增强了锂离子电池状态估算的AI能力
研究人员开发了一个用于物理信息神经网络（PINNs）的迁移学习框架，以改进锂离子电池的状态估算。该方法通过预训练一个通用模型，然后针对特定电池进行微调，解决了为不同电池化学成分从头开始训练PINNs的挑战。使用PyBaMM进行的验证表明，该方法可以准确预测电压，保持电化学一致性，并显著缩短训练时间。
-
PINNs使用小波和FFE以3-12%的误差恢复电导率特征 · 跟踪2个来源
研究人员开发了一个新的框架，使用物理信息神经网络（PINNs）从Calderón逆问题的有限边界数据中重建电导率特征。该方法结合了随机小波函数和傅里叶特征编码，以更好地表示电导率的尖锐变化。使用合成数据进行的评估表明，该框架可以以3%到12%的相对误差恢复主要的电导率结构，其中傅里叶特征编码对于诸如夹杂物和界面等局部尖锐特征特别有效。
-
新AI框架通过不确定性量化增强中风评估
研究人员开发了证据灌注物理信息神经网络（EPPINN），以提高急性缺血性中风评估中计算机断层扫描灌注（CTP）成像的准确性和可靠性。该新框架将证据深度学习与物理信息建模相结合，以量化物理约束中的不确定性，解决了现有确定性方法的一个关键限制。EPPINN使用基于坐标的网络对灌注参数进行建模，并在物理残差上放置一个正态-逆伽马分布，以表征体素级不确定性，而无需进行贝叶斯采样。在模型数据、基准数据集和临床数据上的评估表明，EPPINN在具有…
-
PINNs易受参数错配导致的静默故障影响
一篇新的研究论文揭示了物理信息神经网络（PINNs）的一个关键漏洞，证明了这些模型在训练过程中会被错误的物理参数误导。这种“参数中毒”可能导致模型在训练损失较低的情况下，错误地表明物理准确性，但实际上却产生严重不正确的解。研究表明，即使没有恶意意图，错配的物理参数也会导致PINNs静默失效，而仅基于损失的现有验证方法不足以检测这些错误。研究人员提出了一种事后防御方法，通过在参数值范围内扫描PDE残差损失来恢复真实的训练参数并识别损坏。
-
AI模型预测激光和TIG工艺的焊接质量 · 跟踪5个来源
研究人员开发了用于预测激光和TIG焊接工艺中焊接质量的先进深度学习模型。其中一个模型利用多任务时空深度神经网络，根据焊缝图像预测熔深和形貌，实现了高精度。另一种方法侧重于无监督域自适应，使在一种焊接工艺上训练的模型能够在另一种工艺上表现良好，从而显著减少了大量的重新标记需求。第三种方法采用带有物理信息神经网络的自监督学习，使用最少的标记数据来预测激光焊接熔深，其性能与全监督方法相当。
-
新的 B-PINN 框架增强了材料退化预测的不确定性量化
研究人员开发了一个新的贝叶斯物理信息神经网络（B-PINN）框架，旨在改进预测与健康管理（PHM）中的不确定性量化。这种新颖的方法联合建模了认知不确定性和偶然不确定性，为估算绝缘材料老化等应用提供了更全面的预测后验。该框架在变压器绝缘老化方面进行了评估，并通过热模型和现场测量进行了验证，与现有的确定性 PINN 和贝叶斯 PINN 变体相比，展示了更高的准确性和校准度。
-
新的HSPINN方法提高了物理信息神经网络的精度
研究人员开发了一种名为自适应硬-软物理信息神经网络（HSPINN）的新方法，以提高物理信息神经网络（PINNs）的训练和精度。传统的PINNs由于优化挑战，在收敛缓慢和边界执行不准确方面存在困难。HSPINN通过精确执行Dirichlet和周期性边界条件来解决这个问题，同时将PDE残差和其他条件视为软约束。自适应损失加权策略动态平衡这些约束，消除了手动调整并提高了稳定性。与传统的PINNs相比，这种方法在各种问题上显示出更快的收敛速度…
-
新的PIBLS框架提供更快、更准确的PDE解决方案
研究人员推出了一种新颖的框架——物理信息广义学习系统（PIBLS），旨在比现有方法更有效地求解偏微分方程（PDE）。与计算成本高昂的传统数值求解器或收敛缓慢的物理信息神经网络（PINNs）不同，PIBLS将PDE求解重新构建为直接的最小二乘优化。这种无需反向传播的方法已被证明比传统的PINNs快一到三个数量级，同时达到更高的精度，为实时科学模拟提供了实用的替代方案。
-
新的两阶段演化策略优化 PINNs 以提高准确性
研究人员开发了一种新颖的物理信息神经网络 (PINNs) 两阶段超参数优化策略，以解决其对超参数的敏感性和不稳定的收敛性问题。该方法在第一阶段利用演化算法通过低保真度训练快速筛选候选配置。然后，在第二阶段使用标准的基于梯度的优化器对有希望的候选者进行优化。该方法在平流、克莱因-戈登和亥姆霍兹方程上进行了评估，与标准训练相比，在计算约束下证明了更高的准确性和鲁棒性。
-
新的ModSync框架提高了物理信息神经网络的训练稳定性
研究人员开发了一个名为ModSync的新训练框架，以解决物理信息神经网络（PINNs）的脆弱性问题。PINNs用于求解偏微分方程（PDEs），随着模型容量的增加可能会变得不稳定，导致功能模块化，阻碍收敛。ModSync通过惩罚任务独占连接将结构优化整合到冲突规避训练中，从而保持目标之间的交互。实验表明，ModSync可以防止容量驱动的故障，并在PDE基准测试中达到最先进的精度。