实体
Physics Informed Neural Networks (PINNs) For Approximating Nonlinear Dispersive PDEs
Physics Informed Neural Networks (PINNs) For Approximating Nonlinear Dispersive PDEs
PulseAugur coverage of Physics Informed Neural Networks (PINNs) For Approximating Nonlinear Dispersive PDEs — every cluster mentioning Physics Informed Neural Networks (PINNs) For Approximating Nonlinear Dispersive PDEs across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新的 PINN 框架为 KdV 方程建模保留物理不变量
研究人员开发了一种新的保结构物理信息神经网络 (PINN)，旨在精确模拟 Korteweg--de Vries (KdV) 方程。这种新颖的方法将质量守恒和哈密顿能量直接整合到网络的损失函数中，确保了稳定且物理上一致的模拟。通过使用正弦激活函数，该模型增强了光谱表达能力，并能有效捕捉 KdV 孤子的复杂动力学，包括其传播、相互作用和色散破裂。消融研究证实，与标准的 PINN 方法相比，这种不变量感知正则化与正弦特征相结合，可以加速收敛…
-
新的优化技术提高了复杂物理神经网络的精度
研究人员开发了一种名为 SOAP+GN 的新优化技术，以提高物理信息神经网络 (PINNs) 在处理复杂耦合多物理场系统时的精度。该方法解决了 PINN 精度随着方程间耦合增强而下降的已知问题。通过采用 Kronecker 预处理优化和逆梯度范数损失平衡，SOAP+GN 在大量实验中表现出鲁棒的精度，即使在以前标准优化方法（如 Adam+GN）不堪重负的挑战性二维系统中也是如此。