PulseAugur
中
实时 12:19:07
实体 physics-informed neural networks

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.

Show in brief
总计 · 30天
35
90 天内 212
发布 · 30天
0
90 天内 0
论文 · 30天
35
90 天内 209
层级分布 · 90 天
主题
关系
情绪 · 30 天

12 天有情绪数据

最近 · 第 1/10 页 · 共 200 条
  1. TOOL · CL_364239 ·

    新的物理信息神经网络方法优化航天器轨迹

    研究人员开发了一种新颖的方法,使用物理信息神经网络(PINNs)来优化航天器轨迹,将物理定律直接嵌入网络的训练目标中。该方法通过先验地精确强制执行边界条件,将问题转化为单目标优化,而不是依赖可能导致收敛问题的加权损失项。数值实验表明,与标准的PINN技术相比,这种新方法显著提高了收敛行为和解的准确性。

  2. TOOL · CL_360420 ·

    PINNs在流行病预测方面显示出潜力,在真实数据上优于传统模型 · arXiv研究

    一篇新的arXiv论文系统地比较了物理信息神经网络(PINNs)与传统的机械模型在流行病预测方面的应用。虽然PINNs在合成场景中表现较弱,但在应用于真实世界数据(特别是伦敦的首次COVID-19疫情)时,它们取得了更好的结果和更窄的不确定性区间。该研究强调了PINNs作为一种有前景的流行病学工具,但也重申了简单隔室模型持续的价值,并提倡进一步的基准测试。

  3. TOOL · CL_360376 ·

    Fuse-PINN框架实现复杂偏微分方程的可扩展并行模拟

    研究人员开发了Fuse-PINN,一个结合了有限元方法(FEM)和物理信息神经网络(PINNs)的新型框架,以克服传统PINNs在模拟复杂非线性偏微分方程(PDEs)时的可扩展性限制。这种新方法能够在基于GPU的高性能计算系统上实现大规模并行模拟,并随着问题规模的增加展现出近乎完美的扩展性。Fuse-PINN框架采用能量自然梯度下降优化器以实现高精度收敛,并已成功应用于与磁约束聚变相关的物理模型。

  4. TOOL · CL_357797 ·

    新型混合有限元-物理信息神经网络方法用于求解时变偏微分方程

    研究人员开发了一种新颖的混合数值方法,将时间有限元方法与深度神经网络相结合,用于求解时变偏微分方程。该方法与传统的深度学习方法不同,它在时间方向上使用有限元基函数,并用神经网络定义与空间相关的系数。该方法旨在避免时间积分中的统计误差,并可以产生简化的空间基函数。还开发了一种自适应采样策略,采用显式密度模型来近似 PDE 残差分布,以处理高维度并提高训练效率,数值实验证明了这一点。

  5. TOOL · CL_351999 ·

    新的AFNO框架确保无套利金融预测

    研究人员开发了一个名为AFNO(无套利神经网络算子)的新框架,旨在解决现有神经网络算子架构的局限性。标准的神经网络算子在预测欧洲看涨期权价格曲面时可能无法保证静态无套利,这可能导致交易应用中的财务损失。AFNO框架旨在通过将输入映射到无套利曲面的凸组合,提供一个通用的、可认证的无套利解决方案,确保更可靠的金融预测。

  6. TOOL · CL_351929 ·

    LLM 为物理问题生成神经网络权重和架构

    研究人员开发了 Physics2Weight (PtW),一个利用大型语言模型 (LLM) 直接生成用于求解偏微分方程的神经网络架构和权重的创新框架。这种称为权重空间编程 (WSP) 的方法绕过了传统的基于梯度的优化。PtW 结合了物理约束提示和架构编辑,在处理多个方程时,其解的准确性优于物理信息神经网络,但在线性偏微分方程方面存在局限性。

  7. RESEARCH · CL_361622 ·

    新的优化技术增强了物理信息神经网络

    研究人员开发了一种优化物理信息神经网络(PINNs)的新方法,该方法侧重于Hessian矩阵的一个小的、最优子空间。这种方法被称为主导对齐子空间(DAS),它根据梯度对齐而不是仅仅曲率大小来选择方向。在对各种微分方程进行测试时,DAS受限训练的性能与全空间训练相当,这表明收敛不需要所有的Hessian特征向量。此外,还为有限基PINNs引入了一种块稀疏高斯-牛顿优化技术,利用重叠域分解引起的块稀疏性来降低计算成本和内存需求。

  8. TOOL · CL_350100 ·

    Twindex 提供精确证明以证明模型参数不可区分

    Twindex 是一款新工具,可提供精确、可复现的证明,以证明在给定数据下,模型的不同参数集是不可区分的。它会生成一个 JSON 证书和一个验证器,用于验证这些证明,并指示参数对是有效的孪生、无效还是不确定。此方法适用于常微分方程 (ODE)、偏微分方程 (PDE) 和物理信息神经网络 (PINN),但存在一些限制,包括假设噪声有界以及在参数数量超过几个时难以扩展。

  9. TOOL · CL_342212 ·

    新AI方法增强了物理信息神经网络的域分解

    研究人员推出了一种名为自适应域分解有限基物理信息神经网络(ADD-FBPINNs)的新方法,该方法将单位分割网络(POUNets)与有限基物理信息神经网络(FBPINNs)相结合。该方法通过使用POUNets学习数据驱动的分割来增强域分解,从而实现更稳定和可解释的几何分割。与采用固定域划分的传统FBPINNs相比,ADD-FBPINNs框架在亥姆霍兹方程、泊松方程和粘性Burgers方程等各种方程上都显示出更高的准确性。

  10. TOOL · CL_340309 ·

    物理信息神经网络求解非线性Westervelt方程

    研究人员开发了一种新方法,使用物理信息神经网络(PINNs)来求解非线性Westervelt方程,该方程模拟声波在生物组织中的传播。该方法解决了传统求解器在处理方程固有的非线性和衰减时面临的挑战。研究通过三个合成案例——线性、激波主导和耗散主导——证明了PINNs的有效性,表明衰减系数按比例缩放幅度衰减,而非线性参数控制频率相关的相速度。

  11. RESEARCH · CL_349639 ·

    物理信息神经网络的新评估协议和嵌入方法

    研究人员推出了PINNeval,这是一个新的评估协议和配套的JAX软件包PINNpipe,旨在系统地评估物理信息神经网络(PINNs)。该协议通过将PINN训练管道视为一个集成系统,并要求对所有组件进行有竞争力的实现,而不仅仅是正在研究的组件,从而解决了现有基准测试的局限性。另外,另一篇论文提出将Ermakov-Pinney尺度函数作为无参数嵌入整合到PINNs的输入层,并在包括线性扩散和量子振荡器在内的各种问题家族中证明了其有效性。

  12. TOOL · CL_336427 ·

    新的加权损失函数提高了 PINN 求解 BGK 模型的准确性

    研究人员开发了一种新方法,用于提高物理信息神经网络 (PINNs) 求解 Bhatnagar-Gross-Krook (BGK) 模型时的准确性。PINNs 中标准的 $L^2$ 损失函数不足以捕捉准确的宏观矩,导致物理解不准确。为了解决这个问题,引入了一种速度加权的 $L^2$ 损失函数,该函数专门惩罚高速区域的误差。与标准方法相比,这种新方法在数值实验中表现出更高的准确性和鲁棒性。

  13. TOOL · CL_336415 ·

    新理论保证物理信息神经网络的稳定性和一致性

    一篇发表在arXiv上的研究论文,题为“通过强制算子分析为物理信息神经网络提供非渐近稳定性和一致性保证”,介绍了一个用于分析物理信息神经网络(PINNs)的稳定性和一致性的理论框架。该论文利用算子强制性和非渐近扰动理论,在各种范数下建立了收敛保证。它还为样本复杂度提供了确定性的稳定性界限和概率集中结果,将残差一致性与投影误差和扰动敏感性联系起来。作者通过在几种偏微分方程上的实证结果证实了他们的理论发现。

  14. TOOL · CL_336410 ·

    新的HCP-PINN方法提高了流体动力学模拟的准确性

    研究人员开发了一种新颖的物理信息神经网络(PINN)硬约束投影(HCP)方法,以更好地模拟流体动力学。这种新方法将HCP方法扩展到非线性偏微分方程,特别是1D Burgers方程。初步结果表明,与标准的PINN相比,HCP-PINN即使在较少的配置点下也能实现更高的准确性和对控制方程更好的遵循。

  15. TOOL · CL_338559 ·

    新的混合AI框架提高了求解复杂微分方程的准确性

    研究人员开发了一种新的混合框架,将物理信息神经网络(PINNs)与增强方法相结合,用于求解复杂的微分方程。该方法通过使用LightGBM、Random Forest、XGBoost和Support Vector Regression等回归算法来建模和纠正残差误差,从而提高了标准PINNs的准确性。增强型PINN框架在求解由微分方程控制的问题方面,尤其是在天体物理学和数学物理学领域,已显示出显著降低预测误差和提高泛化能力。

  16. TOOL · CL_327156 ·

    PINNs为半导体器件建模提供新方法

    研究人员开发了一种使用物理信息神经网络(PINNs)求解复杂漂移扩散方程的新方法,这些方程是半导体器件建模的基础。该方法为传统的数值求解器提供了一个强大的替代方案,有可能缩短模拟时间并解决反问题。PINN架构已证明在非平衡条件下具有与现有商业软件相当的准确性,并有望用于微电子学研究和发现。

  17. TOOL · CL_324950 ·

    新的PINN方法显著提高PDE求解精度

    一篇新研究论文介绍了一种新颖的方法,用于提高物理信息神经网络(PINNs)在求解复杂偏微分方程(PDEs)时的精度。所提出的技术称为基于残差的自适应精炼,通过根据网络的残差误差策略性地向训练集添加数据点来实现。与均匀点插入相比,这种自适应方法在测试中显示出显著的精度提高,误差最多可降低38倍。

  18. RESEARCH · CL_324874 ·

    AI研究论文提出新的评估和梯度优化方法

    两篇新研究论文探讨了优化AI开发中评估过程的方法。第一篇论文《LLM驱动的Agent脚手架演化中的评估预算应该花在哪里?》提出了一种名为\method的框架,该框架在搜索过程中使用稀疏反馈,并在最终确认时进行有针对性的评估,以更少的评估实现更高的性能。第二篇论文《Cautious Conflict-Free Inverse Gradient Methods》介绍了Cautious ConFIG,它是ConFIG算法的一个扩展,确保了物…

  19. TOOL · CL_324444 ·

    新的PINN模型学习具有离散跳跃的混合系统

    研究人员开发了混合时间PINNs(HT-PINNs),这是一种用于模拟同时具有连续流和离散跳跃的混合动力系统的新方法。与难以处理不连续性的传统PINNs不同,HT-PINNs为每个流区间使用单独的网络,并联合训练它们以识别跳跃时间和未知参数。该方法在准确预测跳跃次数和估计模拟中的物理参数方面取得了成功,例如在弹跳球和机器人拆卸任务中。

  20. TOOL · CL_324089 ·

    新的 RE-PINN 方法增强了物理信息神经网络中的不确定性估计

    研究人员开发了一种名为“用于物理信息神经网络的贝叶斯推断的排斥集成”(RE-PINN)的新方法,以改进物理信息神经网络(PINNs)中的不确定性量化。该方法向损失函数添加了一个排斥项,鼓励集成预测更好地表示真实的贝叶斯后验。与倾向于收敛到单一最大后验解的标准集成不同,RE-PINN 生成了更多样化和准确的不确定性估计,并被证明对低维问题有效。