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

Este artigo propõe o LAM-PINN, uma estrutura composicional de meta-aprendizagem para mitigar a heterogeneidade de tarefas em Redes Neurais Informadas pela Física (PINNs). Ele aborda o desafio de treinar PINNs para famílias de equações diferenciais parciais (PDEs) com custos computacionais elevados ou transferência negativa sob condições de escassez de dados.