★ 2
AcoustiPrint：物理引导神经逆设计实现可制造声学结构
该 arXiv 论文提出 AcoustiPrint，一种物理信息神经网络架构，用隐式神经表示（INR）建模三维几何，并在评估声学响应前通过可打印性算子施加逐层自支撑、离散材料选择与整体连通性约束。为让梯度穿过不可微的离散制造约束，作者采用代理梯度与自监督可打印性目标。方法在个性化经颅聚焦超声上验证…
arXiv cs.LG10 天前
#物理信息神经网络
共 18 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 2
研究提出物理信息神经网络参数错设的闭式审计方法
PINN 训练损失低并不代表方程系数设定正确。研究在残差对参数线性时，用冻结网络单次评估得到最小二乘估计，其精度与归一化残差 ρ 相关。在 Burgers 方程上可检出 2% 错设，但当错误参数同时进入架构时，2% 以内误差无法检出。研究还指出实际预算下错设模型的原始损失可能更低。
arXiv cs.LG13 天前
★ 2
BeTINN：结构化条件神经求解器用于随机波动率定价
论文提出 BeTINN，一种结构化条件神经架构，通过多方向时间-参数条件化和联合残差路径扩展时间诱导调制，用于求解 Heston 随机波动率 PDE。相比基线，BeTINN 在期权价值与关键敏感性指标上提升了联合精度，并发现验证物理损失无法完全决定微分保真度。
arXiv cs.LG18 天前
★ 2
PINN 结合迁移学习反演空间变化传热系数
研究探讨物理信息神经网络（PINN）估计射流冲击冷却中空间变化对流换热系数的广义边界表示与迁移学习。分段线性与神经网络边界估计器在多个雷诺数下评估，迁移学习可将目标训练时间减少 50.59%-84.94%。
arXiv cs.LG19 天前
★ 2
Gen-PINNs：生成对抗物理信息神经网络求解 PDE
论文针对标准 PINN 的谱偏差、损失失衡与优化停滞问题，提出 Gen-PINNs 确定性残差对抗框架，用生成器学习 PDE 解、多个判别器评估残差特征。在 Burgers、Allen-Cahn、Kuramoto-Sivashinsky 等非线性高阶方程上精度与收敛性显著提升。
arXiv cs.LG24 天前
★ 2
条件流匹配实现金属增材制造 PINN 自适应采样
论文针对金属增材制造热建模中 PINN 依赖手工静态配点采样、泛化差的问题，通过经验风险最小化理论证明过程条件感知的自适应采样更利于泛化。作者提出两阶段框架：条件流匹配模型学习不同工艺条件下的高残差分布，再与领域先验基分布混合生成自适应配点。在数值基准上相对 L2 误差平均降低 62.1%。
arXiv cs.LG25 天前
★ 2
物理循环神经网络低数据下的架构选择
论文研究不同解码器架构对物理循环神经网络潜在空间可解释性的影响，提出一种权重归一化约束作为正则化手段，支持低数据下的稳健训练。研究还表明，采用伴随编码器-解码器结构与正标量贡献可自然满足热力学一致性，保证跨尺度能量一致与非负耗散，并进一步降低训练需求。
arXiv cs.LG27 天前
★ 2
拉格朗日与哈密顿神经网络用于耗散系统
该论文研究拉格朗日神经网络与哈密顿神经网络在具有显式时间依赖性的耗散系统上的适用性，以带阻尼的一维谐振子为对象进行模拟实验。结果显示，两种方法均能预测阻尼振子的物理行为，并在不同程度上学习到潜在的拉格朗日量与哈密顿量。研究揭示了在无显式时间依赖系统中不易显现的力学性质。
arXiv cs.LG34 天前
★ 2
分阶段深度训练：面向PINN的表征课程
论文提出「表征课程」训练范式，让表征被显式学习、独立于预测器迁移并逐步精炼，具体实现为分阶段深度训练（SDT）：先用临时物理信息头训练浅层前缀，丢弃该头后冻结前缀并加深网络。在PINNacle的20个默认正问题、三种骨干网络上，SDT在59个等预算组合中的40个至少提升5%，PirateNet风格…
arXiv cs.LG35 天前
★ 2
保险准备金智能平台：PINN 加速精算建模
论文提出保险准备金智能平台，将经典 Thiele 微分方程求解器与物理信息神经网络（PINN）及知识信息神经网络（KINN）损失结合，用于定期寿险准备金建模。模型预测标准化准备金比率，测试集 R² 达 0.9887。在 200 份保单上，PINN/KINN 推理比经典求解器快约 119.53 倍，…
arXiv cs.AI35 天前
★ 2
物理与数据驱动的 Transformer-Mamba 流场框架
论文提出 Transformer-Mamba for Flow Field（TM4FF）框架，一种物理约束的算子学习模型，用于加速 CFD 中的偏微分方程求解。其三项创新包括残差小波 Mamba 去噪层、Transformer 注意力特征融合，以及基于傅里叶导数的物理信息损失以约束纳维-斯托克斯方…
arXiv cs.LG38 天前
★ 2
耗散系统数据驱动深度循环神经网络建模
论文提出 DissipNet，一种深度离散时间耗散循环神经网络，通过结构权重约束与专门训练算法显式强制耗散性，并用 Lyapunov 理论形式化分析其稳定性。与仅将控制方程纳入损失、不保证内部解析性质（如耗散性、无源性）的物理信息神经网络（PINN）不同，该方法在模型层面提供显式稳定性保证，并在多…
arXiv cs.LG39 天前
★ 2
自适应物理信息神经网络求解布拉修斯边界层
研究提出一种自适应物理信息神经网络（PINN）框架，用于求解布拉修斯边界层方程，结合梯度范数自适应损失加权、非均匀与残差驱动配点以及 Adam-L-BFGS 顺序优化。在代表性运行中壁面剪切误差较此前 PINN 结果降低约 21.5 倍，但研究也指出仅靠加权损失不足以识别物理上最准确的模型。
arXiv cs.LG41 天前
★ 2
图超网络摊销物理信息神经求解器
论文提出用算子图显式表达偏微分方程中字段、导数、项与残差的关系，系数作为项属性保留，再由图超网络生成对角编码以初始化元训练后的因式化 PINN。作者在固定适配预算下比较系数向量、DeepSets 项集与图条件三种描述方式。在双场 Fisher-KPP 未见双向耦合任务上，图条件方法最终误差较项集低…
arXiv cs.LG45 天前
★ 2
物理知识注入历史数据比强制物理约束更有效
研究提出物理信息循环神经网络PIRNN，在预测目标序列的同时估计历史数据与预测期内的不可观测中间物理变量，提升模型鲁棒性与可解释性。以Gardenia地下水模型为案例，在12个真实数据集上PIRNN于其中5个取得最优表现，消融实验表明物理背景知识对时序预测至关重要。预测的物理变量一致性由领域专家评…
arXiv cs.AI45 天前
★ 2
多保真度TDNN与物理约束残差学习预测铁路转向架响应
研究提出一种多保真度铁路转向架响应校正方法，将多体仿真视为低保真信息、滚振台测量作为高保真证据，结合实验锚定的保真度分配与物理约束的差异学习。方法用时延神经网络（TDNN）刻画工况相关仿真趋势，并用残差校正网络建模基线未解释的可复现响应分量，同时以有效动态平衡方程约束学习到的差异。在385 km/…
arXiv cs.LG49 天前
★ 2
网络系统扰动时序物理信息结构推断的基本动力学单元
该论文研究从扰动时序数据中恢复网络动力系统的有符号交互结构这一基本辨识问题，面临交互架构组合复杂性、有限干预下因果归因模糊、状态依赖动力学三大障碍。作者提出基本动力学单元（FDU），即作为可组合原语的有符号三节点交互模式，将交互假设空间转化为有限、可构造、可处理的表示。研究将 FDU 正则化结构推…
arXiv cs.LG49 天前
★ 2
物理引导机器学习外推框架验证
论文针对工程机器学习模型训练域外预测难题，提出物理引导外推框架，系统评估 BiLSTM 与物理信息神经网络（PINN）两种架构。以一维瞬态扩散问题为基准，利用其解析解提供全域可靠数据，并引入物理引导坐标变换、边界感知学习与稳定性时间推进。采用训练-预测-验证-扩展策略递归扩充训练集，实现训练域外准…
arXiv cs.LG53 天前