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

Este artículo propone LAM-PINN, un marco de metaaprendizaje composicional para mitigar la heterogeneidad de tareas en Redes Neuronales Informadas por la Física (PINNs). Aborda el desafío de entrenar PINNs para familias de ecuaciones diferenciales parciales (PDEs) que enfrentan altos costos computacionales o transferencia negativa en condiciones de escasez de datos.