Physics-Informed Neural Networks

6 items

RESEARCHarXiv CS.LG·16/4/2026

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

El contenido describe una Red Neuronal Informada por la Física (PINN) que integra datos de temperatura de la superficie del mar (SST) de satélite con registradores in-situ dispersos para resolver campos térmicos de arrecifes de coral resueltos por profundidad. Este modelo corrige eficazmente las sobreestimaciones del estrés térmico subsuperficial, logrando alta precisión incluso con datos de entrenamiento mínimos.

Physics-Informed Neural Networks Environmental monitoring Coral Reefs

RESEARCHarXiv CS.LG·8/4/2026

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·20/4/2026

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

El artículo explora la resolución de Ecuaciones Diferenciales Parciales (EDPs) utilizando formulaciones débiles discretas y una representación de red neuronal discreta. Propone un entorno Python y un enfoque DVF-CRVPINN para entrenar soluciones, aplicando diferenciación automática discreta para ecuaciones como las de Stokes en 2D.

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

RESEARCHarXiv CS.LG·20/4/2026

Lightweight Geometric Adaptation for Training Physics-Informed Neural Networks

Las Redes Neuronales Informadas por la Física (PINNs) a menudo presentan convergencia lenta e inestabilidad debido a la geometría compleja de sus paisajes de pérdida. Se propone un marco de optimización ligero y consciente de la curvatura que mejora los optimizadores de primer orden para acelerar la convergencia, estabilizar el entrenamiento y aumentar la precisión en ecuaciones diferenciales parciales (PDEs).

Optimization deep learning Physics-Informed Neural Networks machine learning

RESEARCHarXiv CS.LG·8/5/2026

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

Este artículo propone un marco de red neuronal informado por la física (PINN) que equilibra adaptativamente la supervisión basada en la física y en los datos, especialmente bajo escasez de datos. El método utiliza una neurona de mezcla aprendible para ajustar dinámicamente las contribuciones de cada término según sus incertidumbres e integra el aprendizaje por transferencia para mayor eficiencia.

learning Physics-Informed Neural Networks Transfer Learning data scarcity

RESEARCHarXiv CS.AI·1/5/2026

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.

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