כתבה
arXiv cs.LG ·
Gen-PINNs: רשתות נוירונים גנרטיביות לפיזיקה-מודרנה עבור פתרון משוואות דיפרנציאליות חלקיות
Gen-PINNs: Generative Adversarial Physics Informed Neural Networks for solving partial differential equations
רשתות נוירונים גנרטיביות פיזיקה-מודרנה פותרות משוואות דיפרנציאליות חלקיות. המאמר עוסק בפיתוח רשתות נוירונים גנרטיביות שמשתמשות בלמידה עצמית ובלמידה על-ידי-דוגמאות כדי לפתור משוואות דיפרנציאליות חלקיות. המאמר כולל תיאור של המודלים, הלמידה והפיתוח של הרשתות הנוירונים. המאמר גם כולל תיאור של התוצאות של המודלים. המאמר נכתב באנגלית ופורסם בארכיון arXiv.
תקציר מקורי באנגליתarXiv:2610.10897v1 Announce Type: new Abstract: Physics-Informed Neural Networks (PINNs) are a widely used data-free method for solving Partial Differential Equations (PDEs) using machine learning. With recent advances in Generative Adversarial Networks (GANs), adversarial learning has shown strong capabilities for modeling complex data-driven problems; however, the use of GANs in deterministic physics-informed PDE solutions remains limited. In this work, we first identify limitations of standard PINNs for solving PDEs, including spectral bias, loss imbalance, and optimizer stagnation. We then propose Generative Adversarial Physics-Informed Neural Networks (Gen-PINNs), a unified deterministic residual-adversarial framework designed to improve data-free solutions of PDEs with sharp or shock
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית