Lightweight Geometric Adaptation for Training Physics-Informed Neural Networks

Les Réseaux Neuronaux Informés par la Physique (PINNs) sont souvent confrontés à une convergence lente et à une instabilité due à la géométrie de leurs paysages de perte. Ce travail propose un cadre d'optimisation léger et conscient de la courbure pour améliorer les optimiseurs de premier ordre, augmentant la vitesse de convergence, la stabilité et la précision des solutions pour les équations aux dérivées partielles (PDEs).