Physics-Informed Neural Networks

6 items

RESEARCHarXiv CS.LG·16/04/2026

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

Le contenu décrit un Réseau Neuronal Informé par la Physique (PINN) qui intègre des données de température de surface de la mer (SST) satellitaires avec des enregistreurs in-situ dispersés pour résoudre les champs thermiques des récifs coralliens par profondeur. Ce modèle corrige efficacement les surestimations du stress thermique sous-marin, atteignant une grande précision même avec un minimum de données d'entraînement.

Physics-Informed Neural Networks Environmental monitoring Coral Reefs

RESEARCHarXiv CS.LG·08/04/2026

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·20/04/2026

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

Cet article explore la résolution d'équations aux dérivées partielles (EDP) à l'aide de formulations faibles discrètes et d'une représentation de réseau neuronal discret. Il propose un environnement Python et une approche DVF-CRVPINN pour entraîner des solutions, en utilisant la différenciation automatique discrète pour des équations comme celles de Stokes en 2D.

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

RESEARCHarXiv CS.LG·20/04/2026

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).

Optimization deep learning Physics-Informed Neural Networks machine learning

RESEARCHarXiv CS.LG·08/05/2026

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

Cet article propose un cadre de réseau neuronal informé par la physique (PINN) qui équilibre adaptativement la supervision basée sur la physique et sur les données, particulièrement en cas de rareté des données. La méthode utilise un neurone de fusion apprenable pour ajuster dynamiquement les contributions de chaque terme en fonction de leurs incertitudes et intègre le transfert d'apprentissage pour une efficacité accrue.

learning Physics-Informed Neural Networks Transfer Learning data scarcity

RESEARCHarXiv CS.AI·01/05/2026

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.

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