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

O conteúdo descreve uma Rede Neural Informada pela Física (PINN) que integra dados de temperatura da superfície do mar (SST) de satélite com dados esparsos de registradores in-situ para determinar campos térmicos de recifes de coral resolvidos por profundidade. Este modelo corrige eficazmente as sobrestimações do estresse térmico subsuperficial, alcançando alta precisão mesmo com dados mínimos de treinamento.

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)

O artigo explora a resolução de Equações Diferenciais Parciais (EDPs) usando formulações fracas discretas e uma representação de rede neural discreta. Ele propõe um ambiente Python e uma abordagem DVF-CRVPINN para treinar soluções, aplicando diferenciação automática discreta para equações como as de Stokes em 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

Redes Neurais Informadas pela Física (PINNs) enfrentam problemas de convergência e estabilidade devido à complexidade de suas paisagens de perda. Este trabalho propõe uma estrutura de otimização leve, sensível à curvatura, que aprimora otimizadores de primeira ordem para melhorar a velocidade de convergência, estabilidade e precisão em equações diferenciais parciais (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

Este artigo propõe uma estrutura de rede neural informada pela física (PINN) que equilibra adaptativamente a supervisão baseada na física e nos dados, especialmente em cenários de escassez de dados. O método utiliza um neurônio de fusão aprendível para ajustar as contribuições de cada termo com base em suas incertezas e incorpora transferência de aprendizado para melhorar a eficiência.

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

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.

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