physics-informed neural networks | BriefGPT

关键词physics-informed neural networks

搜索结果 - 209

贝叶斯 PINN 逆问题估计速率
使用物理约束的神经网络和贝叶斯后验均值估计的方法在物理和机器学习领域得到了广泛的应用，本研究探讨了这些方法在解决偏微分方程及其反问题时的性能和收敛性。
PDF13 days ago
应用物理感知神经网络解决分数和调制分数偏微分方程中的维度诅咒
通过将 Monte Carlo 分数 PINN（MC-fPINN）扩展到温和分数 PDE，我们提出了 Monte Carlo 温和分数 PINN（MC-tfPINN），以应对这些问题，从而在非常高的维度中在准确性和收敛速度方面始终优于原始版
PDF17 days ago
用于训练科学机器学习应用的两级重叠加法 Schwarz 预条件器
提出了一种新颖的双层重叠添加 Schwarz 预条件器，用于加速科学机器学习应用的训练，通过在网络参数中引入重叠区域的组（子域），间接通过一种新颖的子域同步策略和粗粒度训练步骤实现网络的前馈结构，并通过一系列数值实验表明，所提出的双层预条件
PDF18 days ago
Kolmogorov Arnold 信息神经网络：基于 Kolmogorov Arnold 网络解决偏微分方程的物理信息深度学习框架
AI for partial differential equations has seen advancements through Physics-informed neural networks, specifically the K
PDF18 days ago
用有限差分信息图网络求解块结构网格上的恒定不可压缩流
使用图网络和图卷积有限差分方法来解决参数化设置下具有复杂流场的流动问题，与传统计算流体力学求解器相比，该方法在训练效率和准确性上都有所提升。
PDF19 days ago
VS-PINN: 使用变量缩放方法解决具有严格行为的偏微分方程的物理约束神经网络的快速高效训练
提出一种使用变量缩放技术训练物理信息神经网络（PINNs）的新方法，通过对神经切线核（NTK）的分析提供理论证据并证明这种方法确实可以提高 PINNs 的性能。
PDF24 days ago
FlamePINN-1D：1D 层流火焰的物理信息神经网络求解正向和反向问题
提出了 FlamePINN-1D 框架，结合燃烧系统的控制方程与机器学习方法解决一维层流火焰的正向和逆向问题，并通过实验证实了该框架对各种火焰及工况的有效性以及优于传统方法的特点。
PDFa month ago
通过极小化优化来微调用于求解边界值问题的物理信息神经网络
我们提出了一种快速准确训练物理信息神经网络（PINNs）解决边界值问题（BVPs）和初始边界值问题（IBVPs）的新方法。该方法结合了深度神经网络（DNNs）和极限学习机（ELMs）的训练方法，将 DNN 的表达能力与 ELMs 的微调能力
PDFa month ago
AdaI-PINNs：一种用于界面问题的高效物理信息神经网络框架
提出了一种高效的物理导向神经网络（PINNs）框架，称为自适应界面 - PINNs（AdaI-PINNs），用于改进具有不连续系数和 / 或界面跳跃的界面问题的建模。
PDFa month ago
基于逐元素乘法的物理知识引导神经网络
为了解决偏微分方程（PDEs），物理信息神经网络（PINNs）作为一种有前景的框架，已经在工业和科学领域引起了广泛的关注。然而，由于表达能力不足和初始化问题，PINNs 在复杂的 PDEs 中的应用受到了限制。本文提出了基于逐元素乘积的物理
PDFa month ago
运用物理知识和有限数据的基于物理信息的神经网络在动态过程操作中的应用
化学工程中，使用物理信息的神经网络模型可以有效地进行过程建模，尤其对于缺乏实验数据和部分未知机理描述的情况下，其推断未测状态的准确性较高且泛化能力强，可作为一种有前景的研究方向进行深入探究。
PDFa month ago
用采样神经网络解决偏微分方程
利用采样方法，从数据无关和数据相关的概率分布中提取隐含权重和偏置的神经网络，可以在训练时间和逼近精度方面取得重大突破，并且能够有效解决时变和静态的偏微分方程以及逆问题，带来了光谱收敛和无网格构建基函数等优势。
PDFa month ago
物理知识神经网络的克罗内克因式化近似曲率
提出了 Krondocker 因式近似曲率法（KFAC）来降低计算成本，使得 PINN 模型能够扩展到更大的网络规模。此方法在小规模问题上与昂贵的二阶方法竞争，对于更高维度的神经网络和 PDEs 有更好的扩展能力，并持续优于一阶方法和 LB
PDFa month ago
闭式符号解：求解偏微分方程的新视角
该论文提出了一种新的框架：用于解决偏微分方程（PDE）的闭式符号框架（SymPDE），探索使用深度强化学习直接获得 PDE 的符号解。SymPDE 减轻了 Physics-Informed Neural Networks 在拟合高频率和陡变
PDFa month ago
RoPINN: 区域优化的物理信息神经网络
该研究论文介绍了物理知识驱动的神经网络在求解偏微分方程中的应用，并提出了一种新的区域优化训练范式，通过在连续邻域区域进行模型优化，有效降低了模型的泛化误差，尤其对于高阶约束的偏微分方程。该新范式产生了一种实用的训练算法 RoPINN，通过简
PDFa month ago
基于 KAN 的物理信息神经网络在 EMI/EMC 模拟中的探究
利用物理信息神经网络（PINNs）技术，特别是科尔莫戈洛夫 - 阿诺德网络（KANs），探索在电磁干扰（EMI）仿真中应用的可行性，通过使用人工智能驱动的解决方案来替代冗长复杂的全波数值模拟，为低能耗和可行的计算能力的绿色 EMI 仿真工作
PDF2 months ago
通过进化计算发现用于解决偏微分方程的物理知识网络模型
基于进化计算方法提出一种解决偏微分方程的人工神经网络模型，具有更高的逼近精度和更快的收敛速度。
PDF2 months ago
共形化物理信息神经网络
利用符合预测框架的一致预测神经网络（C-PINNs），量化 PINNs 的不确定性，通过提供具有有限样本、无分布统计有效性的区间，解决常规 PINNs 不提供不确定性量化的问题。
PDF2 months ago
揭示物理任务导向神经网络的优化过程：PINN 能有多准确和有竞争力？
研究通过改进优化算法和调整损失函数，得出物理感知神经网络在多个领域具有与有限差分方案相当的准确性，鼓励进一步推动 PINNs 和相关优化技术在各个领域的应用。
PDF2 months ago
深度能量方法的几何感知框架：一种应用于超弹性材料的结构力学
GADEM 是一种物理信息深度学习框架，适用于解决不同几何形状的结构力学问题，通过弱形式和几何感知框架将几何信息整合到深度学习模型中，提高了准确性和计算成本。
PDF2 months ago