Lightweight Geometric Adaptation for Training Physics-Informed Neural Networks

Physik-Informierte Neuronale Netze (PINNs) leiden oft unter langsamer Konvergenz und Trainingsinstabilität aufgrund komplexer Verlustlandschaften. Es wird ein leichter, krümmungsbewusster Optimierungsrahmen vorgeschlagen, der bestehende First-Order-Optimierer verbessert, um Konvergenzgeschwindigkeit, Trainingsstabilität und Lösungsgenauigkeit bei partiellen Differentialgleichungen (PDEs) zu steigern.