כתבה
arXiv cs.LG ·
דגימה אדפטיבית ל-PINNs בייצור תוספת מתכת
Domain-informed Adaptive Sampling for Generalizable PINNs in Metal Additive Manufacturing via Conditional Flow Matching
חוקרים הציגו שיטת דגימה אדפטיבית לרשתות נוירונים מודעות פיזיקה (PINNs) בייצור תוספת מתכת. השיטה משתמשת במודל Flow Matching על מנת ללמוד התפלגויות רזידואליות גבוהות. הניסויים הראו שיפור של 62.1% בשגיאה היחסית.
תקציר מקורי באנגליתarXiv:2610.09126v1 Announce Type: new Abstract: Accurate thermal modeling is essential in metal additive manufacturing (AM) for understanding the process-structure-property chain. Physics-informed neural networks (PINNs) offer effective surrogate thermal modeling by minimizing physics-based residual losses at collocation points. However, prior works typically rely on manually-crafted, static collocation sampling strategies, which are neither principled nor scalable across process conditions, hindering their generalization capability. In this work, we provide theoretical analysis through empirical risk minimization, showing that process condition-aware adaptive sampling is strictly more favorable than conventional static sampling for generalization. Building on this insight, we propose an a
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית