AITOP

PINN

共 5 条相关 AI 资讯
7月9日
09:46
09:46官方账号arXiv cs.LG@Jianing Liu, Dong H. Zhang
精选
非线性最小二乘优化中，参数效应曲率是LM方法的主要非线性来源。标准LM的切线空间步长在参数坐标中直更新，而测地线加速度仅在无穷小步长时精确消除该曲率。本文提出RNC-LM，通过重参数化测地线方程扩展至任意阶修正，构建有限步更新并控制步长。在经典基准测试中，RNC-LM在弯曲谷和秩亏问题上提升了收敛性和鲁棒性。在反应扩散PINN失败模式基准上，相对L2误差降至1e-3量级并恢复物理解；在大规模机器学习势能面拟合任务中，相比标准LM实现了34倍加速。
论文Levenberg-MarquardtRNC-LM非线性最小二乘优化算法PINN
推荐理由：这篇论文提出RNC-LM，解决了LM方法在强曲率问题上的局限，用黎曼法坐标做高阶修正，在PINN和势能面拟合上又准又快。
原文
7月8日
12:05
12:05官方账号arXiv cs.AI@Sonal Ankush Chibire, Jenn-Terng Gau, Bo Zhang
该研究提出了基于物理信息神经网络(PINN)的框架，用于模拟钢-铝双材料系统中的瞬态弹性波动传播，物理定律直接嵌入损失函数。使用ANSYS Workbench Explicit Dynamics进行高保真有限元仿真验证，并用作训练中的补充数据约束。PINN准确预测了波在界面上的透射和反射、轴向和径向位移历史、面平均响应及应力应变演化，与有限元结果高度一致。该网络还能预测未见时间点和修改材料参数后的波响应，无需额外仿真。网格敏感性研究证实了数值鲁棒性，其他材料组合验证了方法的通用性。
论文PINN双材料系统弹性波传播有限元模拟ANSYS
推荐理由：这篇论文用PINN模拟钢-铝界面的弹性波传播，比传统模拟更快，还能预测新工况，挺实用的。
原文
6月29日
10:13
6月2日
12:02
12:02官方账号arXiv cs.LG@Henry Kasumba, Ronald Katende
该研究提出一种混合策略，利用物理信息神经网络（PINN）作为离网残差探针，为有限差分求解器提供自适应网格细化（AMR）指导。PINN在域内采样残差并转换为单元级指示器，引导网格加密，最终由经典有限差分求解器完成近似计算。在一维粘性Burgers方程测试中，PINN阈值细化方法仅用60个自由度即达到0.021067的相对L²误差，而均匀细化需192个自由度才达到0.022617，误差降低约67.5%。在2D和3D代理测试中，PINN残差能组织结构化细化并优于随机细化，但未持续超越梯度指示器。该方法将物理信息诊断能力融入经典求解器，在保持可靠性的同时提升计算效率。
论文物理信息神经网络自适应网格细化有限差分求解器计算效率PINN
推荐理由：做偏微分方程数值模拟的团队，可以用PINN残差替代传统误差估计器来指导网格自适应，显著节省计算资源——60个自由度就能达到192个自由度的精度，值得在工程仿真中试试。
原文
5月11日
11:44
11:44官方账号arXiv cs.LG（学术论文）
本研究提出自适应域分解物理信息神经网络（ADD-PINN），用于从稀疏固定传感器数据中重建交通速度场。该方法首先训练一个粗粒度的全局PINN，利用其残差分布指导子域划分和子网络初始化，并使用数据驱动的激波指示器决定是否启用多域分解。在I-24 MOTION数据集上的大规模评估（1500次运行）显示，ADD-PINN在25种配置中的18种和15种稀疏传感配置中的14种取得了最低的相对L2误差，同时训练速度比扩展PINN（XPINN）基线快2.4倍。NGSIM实验作为阴性对照，验证了激波指示器在所有50次运行中抑制了分解，默认单域回退方案表现最佳。这表明残差引导的空间分解是针对稀疏固定传感场景的高效PINN设计。
论文物理信息神经网络交通估计域分解稀疏传感PINN
推荐理由：该工作为物理信息神经网络在稀疏传感交通估计中的实际部署提供了实用框架，残差引导的域分解策略可推广至其他涉及不连续性的PINN应用，其训练效率提升对资源受限场景有直接价值。
原文