Physics-Informed Neural Networks

6 items

RESEARCHarXiv CS.LG·4/16/2026

Depth-Resolved Coral Reef Thermal Fields from Satellite SST and Sparse In-Situ Loggers Using Physics-Informed Neural Networks

Dieser Inhalt beschreibt ein Physik-informiertes neuronales Netzwerk (PINN), das Satelliten-Meeresoberflächentemperaturen (SST) mit spärlichen In-situ-Loggern fusioniert, um tiefenaufgelöste thermische Felder von Korallenriffen zu ermitteln. Das Modell korrigiert effektiv Übertreibungen der thermischen Belastung unter der Oberfläche und erreicht hohe Genauigkeit selbst mit minimalen Trainingsdaten.

Physics-Informed Neural Networks Environmental monitoring Coral Reefs

RESEARCHarXiv CS.LG·4/8/2026

A Theory-guided Weighted $L^2$ Loss for solving the BGK model via Physics-informed neural networks

Este artigo propõe uma função de perda L2 ponderada pela velocidade para resolver o modelo Bhatnagar-Gross-Krook (BGK) usando Redes Neurais Informadas pela Física (PINNs), superando as limitações da perda L2 padrão. A nova abordagem garante a convergência da solução aproximada e demonstra maior precisão e robustez em experimentos numéricos.

Physics-Informed Neural Networks Weighted L2 loss BGK model partial differential equations

RESEARCHarXiv CS.LG·4/20/2026

Python library supporting Discrete Variational Formulations and training solutions with Collocation-based Robust Variational Physics Informed Neural Networks (DVF-CRVPINN)

Der Artikel untersucht die Lösung partieller Differentialgleichungen (PDEs) mittels diskreter schwacher Formulierungen und einer diskreten neuronalen Netzwerkrepräsentation. Es wird eine Python-Umgebung und ein DVF-CRVPINN-Ansatz vorgeschlagen, um Lösungen unter Verwendung diskreter automatischer Differenzierung für Gleichungen wie die Stokes-Gleichungen in 2D zu trainieren.

variational methods Numerical Methods Physics-Informed Neural Networks partial differential equations

RESEARCHarXiv CS.LG·4/20/2026

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.

Optimization deep learning Physics-Informed Neural Networks Machine Learning

RESEARCHarXiv CS.LG·5/8/2026

Physics-Informed Neural Networks with Learnable Loss Balancing and Transfer Learning

Dieser Artikel stellt ein selbstüberwachtes physikinformiertes neuronales Netzwerk (PINN) vor, das physikbasierte und datengestützte Überwachung adaptiv ausgleicht, insbesondere bei Datenknappheit. Die Methode verwendet ein lernfähiges Mischneuron, um die Beiträge jedes Terms dynamisch basierend auf ihren Unsicherheiten anzupassen, und integriert Transferlernen zur Effizienzsteigerung.

learning Physics-Informed Neural Networks Transfer Learning data scarcity

RESEARCHarXiv CS.AI·5/1/2026

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.

Meta-Learning neural networks Physics-Informed Neural Networks partial differential equations