AITOP

PINNs

共 4 条相关 AI 资讯
7月30日
09:27
09:27官方账号arXiv cs.LG@Joachim Bona-Pellissier, Giacomo Meanti, Matteo Santacesaria, Lorenzo Rosasco
本论文提出PIKS（物理信息核方法），在通用核（如高斯核或Matérn核）下证明了对线性微分约束的普适一致性，即估计器能渐近学习目标并满足物理约束。作者推导了在适当源条件下的有限样本界，将经典核方法的算子理论分析扩展至物理信息机器学习。数值实验表明，PIKS在多个问题上与PINNs及传统有限元方法具有竞争力。
论文PIKS物理信息核方法普适性
推荐理由：这篇论文给核方法在物理信息学习里补上了理论短板，证明用高斯核就能渐近满足约束，还跟PINNs比了效果，搞理论的值得看。
原文
7月29日
09:20
09:20官方账号arXiv cs.LG@Pinki Khatun, M. Sajid, Abhinav Jha, M. Tanveer
物理信息神经网络(PINNs)需依赖梯度优化，训练慢且成本高。新提出的PI-BLS框架将微分算子和边界条件嵌入线性输出层优化，通过伪逆直接求解，完全消除反向传播。在多个前向偏微分方程基准上，PI-BLS以更少训练时间和参数达到与PINNs相当或更优的精度。
AI模型PI-BLSPINNs偏微分方程
推荐理由：PI-BLS用伪逆一步求解PDE，比传统PINNs快得多，参数更少，效果还不差，适合做物理模拟的朋友试试。
原文
7月3日
09:07
09:07官方账号arXiv cs.LG@Joseph Webb, Sadok Jerad, Coralia Cartis
精选
DSGNAR是一种针对物理信息神经网络（PINNs）训练中病态损失问题的二阶优化框架，通过双重草图高斯-牛顿与自适应正则化策略，在多个基准上取得突破。在双精度下，相对ℓ2误差可低至3×10^{-16}；在经典Burgers方程上比现有结果提升五个数量级，在高维Poisson问题上提升八个数量级。单精度下，Burgers方程可在10秒内达到ℓ2_rel=4.75×10^{-7}。该方法对不同架构、精度和超参数均表现鲁棒。
论文DSGNARPINNs二阶优化
推荐理由：PINNs一直跑不过传统方法，DSGNAR用二阶优化解决了问题，精度和速度都大幅提升，代码已开源，值得看看。
原文
6月17日
11:35
11:35官方账号arXiv cs.LG@Gbenga T. Awojinrin, Abdul-Akeem Olawoyin, Rami M. Younis
精选
该论文提出LiL-Q方法，通过Bellman-Kalaba拟线性化将非线性PDE转化为一系列线性子问题，每个子问题用线性可学习表示（LiL）离散化并直接通过QR分解求解。LiL表示包括随机特征极限学习机、谱多项式基和三角展开，实现为物理信息神经网络（PINNs）。在7个基准测试（Bratu、粘性Burgers、Buckley-Leverett、平面应变弹性、2D/3D不可压缩Navier-Stokes、异质渗透率Darcy流）上，LiL-Q通常在个位数外部迭代内收敛，参数数量比现有PINN求解器少两个数量级时仍能达到或超越其精度。当精确解在试验空间内时，单次求解即可恢复至机器精度。
AI模型LiL-QPINNs非线性PDE
推荐理由：这个新方法LiL-Q用凸优化替代了PINNs的非凸训练，收敛快、参数少，在Navier-Stokes等难题上效果拔群，值得关注。
原文