Compositional Meta-Learning for Mitigating Task Heterogeneity in Physics-Informed Neural Networks

Dieses Papier schlägt LAM-PINN vor, ein kompositorisches Meta-Lern-Framework zur Minderung der Aufgabenheterogenität in physikinformierten neuronalen Netzen (PINNs). Es adressiert die Herausforderung, PINNs für Familien von partiellen Differentialgleichungen (PDEs) zu trainieren, die oft hohe Rechenkosten oder negativen Transfer unter datenknappen Bedingungen mit sich bringen.