★ 2
Cautious ConFIG 三行改进缓解 PINN 训练梯度冲突
arXiv 论文针对物理信息神经网络（PINN）多目标训练中的梯度冲突问题，指出 ConFIG 方法与 Adam 等自适应优化器结合后冲突消除保证会失效。作者提出 Cautious ConFIG，仅三行代码即可在权重更新前恢复无冲突性。在 Burgers、非线性薛定谔与 Kovasznay 流三个…
arXiv cs.LG7 天前
#PINN
共 5 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 2
物理信息机器学习用于流体动力学
文章介绍物理信息机器学习（PIML）作为流体动力学研究的混合方法，将物理方程约束与数据驱动模型结合。该方法可在数据稀缺场景下提升流场预测的物理一致性与泛化能力，属于 AI 与科学计算交叉方向。
Nature Machine Intelligence13 天前
★ 2
物理信息神经网络与神经算子课程讲义发布
博尔扎诺自由大学 2025/2026 学年博士课程讲义公开，系统介绍物理信息神经网络（PINN）与神经算子（NO）。内容涵盖从零用 PyTorch 实现，以及使用 NVIDIA PhysicsNeMo 等开源库解决工程、物理、油藏等实际问题，并讨论 Mixture-of-Models、傅里叶神经算…
arXiv cs.LG46 天前
★ 2
物理信息神经网络导数保真度失效模式
论文将导数保真度定义为物理信息神经网络（PINN）的一种失效模式，并用一维基准测试验证。结果显示，函数值拟合看似准确时，二阶导数误差可能显著偏大，尤其在高曲率边界区域。研究提供了区分数值精度与物理残差可靠性的诊断协议。
arXiv cs.LG48 天前
★ 2
梯度引导高斯自适应采样的物理信息神经网络（3GAS-PINNs）
论文提出 3GAS-PINNs，通过结合均匀概率分布与由解空间梯度导出的高斯平滑概率分布，在保持全局约束的同时将配点集中到高梯度区域。该方法在强制 Burgers 方程、KdV 方程与非线性薛定谔方程三个基准问题上验证，相比基线 PINN 可将数值模拟精度最高提升 14 倍，更好捕捉激波与孤子等间…
arXiv cs.LG53 天前
这个主题的相关资产
相关公司英伟达（Nvidia）1