标签
提出了一种用于MIONet的混合最小二乘/梯度下降方法，通过利用交替最小二乘法优化多个分支网络的最后一层参数，并借助Kronecker和Khatri-Rao乘积，从而加速训练。
本文提出了MCO-PDE，一种通过结合神经代理、软竞争权重和遗传算法进行结构搜索，从多个观测数据集中发现共享偏微分方程的竞争优化框架。它展示了在有限数据下高精度恢复典型方程的能力，并处理复杂几何形状和真实世界实验。
本文研究了SIREN、ReLU MLP和傅里叶特征MLP中隐式神经表征的迁移特异性，发现迁移幅度和特异性依赖于架构，其中ReLU更具选择性，而SIREN广泛重用权重。结果表明，架构选择应考虑显式的控制条件，而不仅仅是迁移幅度。
本文建立了神经网络训练与哈密顿-雅可比初值问题之间的精确对应关系，通过一个形变参数统一了深度学习架构。
本文介绍了beignet，一种PINN架构，它用可训练的多分辨率傅里叶特征金字塔替换了随机傅里叶特征，在PDE基准测试上实现了更高的准确性和计算效率。
本文提出了盈亏平衡复杂度，一种衡量神经偏微分方程求解器相较于传统数值求解器何时具有成本效益的指标。该框架利用标度律来分配训练预算，并在多种偏微分方程基准上评估了多个神经求解器。
本文提出了一种基于空间相关性的物理信息神经网络（PINNs）课程学习框架，通过利用子区域间的空间相关性来提高训练稳定性和求解精度，解决了高维非凸损失景观和多目标约束不平衡等问题。
本文扩展了端口-哈密顿神经网络（PHNNs）到偏微分方程（PDEs）中，用于从数据中学习非线性弦动力学。该方法能够同时恢复哈密顿量和耗散，在准确性和可解释性方面优于非物理信息基线方法。