arXiv · AI· Kirill Katsuba, Oleg Rudenko, Egor Bugaev, Alexander Tarakanov·· 10 天前AI 评分20
物理信息神经网络在小数据场景下与经典偏微分方程替代模型的对照研究
Physics-informed neural networks in the small-data regime: A controlled comparison with classical PDE surrogates
AI 导读
物理信息神经网络(PINN)通过引入控制方程和边界条件,仅使用20至1000个标记状态即可实现准确预测。 研究提出分层损失加权H-PINN及其梯度感知扩展HO-PINN,在热方程和两相流基准测试中,至少一种PINN变体在20和50标签下取得最高平均主目标R²。 结果证实已知物理规律能在极高拟合成本下,支持极少观测数据下的准确神经替代预测。
来源:arXiv · AI · arxiv.org