כתבה
arXiv cs.LG ·
רשתות נוירונים מודעות לפיזיקה עם משקלות רזידואליים מאוחדים
Multi-dimensional training-priority weighting based on physical information propagation paths: a unified residual-weighting framework for physics-informed neural networks
חוקרים פיתחו שיטה חדשה לאימון רשתות נוירונים מודעות לפיזיקה. השיטה מאפשרת לתת משקל רב יותר לאזורים ברשת שקרובים למקורות הפיזיקליים, מה שמשפר את יציבות האימון ואת הדיוק. החוקרים השתמשו בניתוח תאורטי ובניסויים מעשיים כדי להוכיח את יעילות השיטה.
תקציר מקורי באנגליתarXiv:2607.11094v2 Announce Type: replace Abstract: Physics-informed neural networks (PINNs) have shown promise for solving partial differential equations (PDEs); however, their synchronous optimization treats residuals of different regions and constraints equally, which is inconsistent with the progressive "from source to response" physical information propagation path, degrading training stability and accuracy. Existing causal training methods focus mainly on the temporal dimension, lacking a unified characterization of spatial and boundary dimensions. To address this, we define a unified class of training priorities according to the physical information propagation path: premise regions should be learned before dependent regions; temporal, spatial, and boundary priorities are instances
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית