标签
本文识别了科学机器学习模型中一致的三模态结构，表明优化效果是模态特定的，并可能挑战传统的损失景观解释。它提出了一个模态感知的诊断框架，并在PINN、神经算子以及神经ODE上得到验证。
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。
本文介绍了一种新颖的不确定性感知PINN框架，用于从SAR数据进行洪水推理，通过动态放松噪声区域的物理约束来解决“物理冲击”问题。在Sen1Floods11数据集上评估，该方法实现了IoU提高25%，并为操作化灾害响应提供了校准的不确定性边界。
本文提出了一种物理信息卷积编码器-解码器网络，用于从多孔介质几何结构预测孔隙尺度速度场，并证明使用网络预测初始化格子玻尔兹曼模拟可在超过90%的情况下加速收敛。
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。
Met-Shield 是一个开源再入模拟器，利用物理信息神经网络（PINN）预测航天器隔热罩上的热梯度，并集成到C++ WebAssembly引擎中，实现实时浏览器运行。该项目旨在提高相对于传统求解器的鲁棒性，但在高热通量阶段存在收敛问题。
本文介绍了“数据引导的 FVM-PINN”框架，该框架利用有限体积损失来求解二维浅水方程，并证明稀疏数据指导对于防止网络在崎岖的损失景观中崩溃至关重要。
本文介紹了幾何科爾莫戈羅夫-阿諾德網絡 (GeoKAN)，這是一個幾何感知模型家族，通過學習黎曼度量來適應坐標，從而實現更優函數近似和物理感知學習。
本文提出了一种自监督物理信息神经网络（PINN）框架，该框架通过可学习的混合神经元自适应地平衡基于物理和数据驱动的损失，并结合迁移学习以提高数据稀缺情况下的效率。该框架在仅有87个数据点的液态金属微型散热器CFD数据上进行了验证，误差低于8%。