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

Cet article propose LAM-PINN, un cadre de méta-apprentissage compositionnel pour atténuer l'hétérogénéité des tâches dans les Réseaux Neuronaux Informés par la Physique (PINNs). Il répond au défi de l'entraînement des PINNs pour des familles d'équations aux dérivées partielles (EDP) qui entraînent des coûts de calcul élevés ou un transfert négatif dans des conditions de données rares.