Estimates on the generalization error of Physics Informed Neural Networks (PINNs) for approximating a class of inverse problems for PDEs
ETH Zürich(苏黎世联邦理工学院)
针对PDE数据同化与唯一延拓反问题,论文建立抽象框架并利用条件稳定性证明PINN泛化误差估计,辅以四类线性PDE示例和数值实验验证。
2023-12-06 cs.LG cs.NA math-ph
Physics-informed low-rank neural operators with application to parametric elliptic PDEs
提出物理信息低秩神经算子PILNO,结合低秩核近似与编码器-解码器架构,在点云上高效逼近PDE解算子,通过物理信息惩罚训练确保约束满足,适用于多种参数化椭圆型PDE问题。
2025-09-09 cs.NA math.NA physics.comp-ph
Locally Subspace-Informed Neural Operators for Efficient Multiscale PDE Solving
AXXX;Institute of Numerical Mathematics(计算数学研究所);North-Eastern Federal University(东北联邦大学)
本文提出一种局部子空间感知神经算子,通过学习子空间而非基函数,有效降低多尺度PDE求解的误差和计算成本。
2026-02-27 cs.NA math.NA
Kolmogorov Arnold Informed neural network: A physics-informed deep learning framework for solving forward and inverse problems based on Kolmogorov Arnold Networks
Tsinghua University(清华大学);Bauhaus-Universität Weimar(魏玛包豪斯大学);CNPC Engineering Technology RD Company Limited(中国石油集团工程技术研究院有限公司);Queensland University of Technology(昆士兰科技大学);Leibniz University Hannover(汉诺威莱布尼茨大学)
本文提出基于KAN的物理知情框架KINN,用于求解PDE正问题和反问题,并在多种固体力学算例中证明其在精度和收敛速度上显著优于基于MLP的PINNs。
2024-08-04 cs.LG cs.NA math.NA
Error analysis for physics informed neural networks (PINNs) approximating Kolmogorov PDEs
ETH Zürich(苏黎世联邦理工学院)
物理学通过最小化逐点残差来告知神经网络偏微分方程的近似解。我们推导出严格的误差界,所招致的PINNs近似的解决方案的一大类线性抛物型偏微分方程,即Kolmogorov方程,包括热方程和Black-Scholes方程的期权定价,作为例子。我们构造神经网络,其PINN残差(泛化误差)可以尽可能小。我们还证明了总的$L^2$错误可以有界的泛化误差,这反过来又是有界的训练误差,提供了足够数量的随机选择的训练(搭配)点使用。此外,我们证明了PINN的大小和训练样本的数量只与底层维度呈多项式增长,使PINN能够克服这种情况下的维数灾难。这些结果使我们能够提供一个全面的误差分析PINNs近似Kolmogorov偏微分方程。
2021-07-10 cs.LG cs.NA math.NA
PIXEL: Physics-Informed Cell Representations for Fast and Accurate PDE Solvers
Sungkyunkwan University(成均馆大学)
随着计算能力的提高和机器学习的发展,基于数据驱动学习的方法在求解偏微分方程中得到了极大的关注。物理信息神经网络(PINN)最近出现并成功地解决了各种正向和逆偏微分方程问题,这要归功于其出色的特性,如灵活性、无网格解决方案和无监督训练。然而,它们的收敛速度较慢,相对不准确的解决方案往往限制了它们在许多科学和工程领域的广泛适用性。本文提出了一种新的数据驱动的偏微分方程求解器,物理信息单元表示(PIXEL),优雅地结合了经典的数值方法和基于学习的方法。我们采用了网格结构的数值方法,以提高精度和收敛速度,并克服了谱偏差PINNs。此外,所提出的方法在PINN中享有相同的益处,例如,使用相同的优化框架来解决正向和反向PDE问题,并且利用现代自动微分技术容易地实施PDE约束。我们提供了各种具有挑战性的偏微分方程的实验结果,原来的PINN一直在努力,并表明PIXEL实现快速收敛速度和高精度。项目页面:https://namgyukang.github.io/PIXEL/
2023-02-04 cs.LG cs.NA math.NA
Mitigating Numerical Stiffness in Least-Squares Formulations of Elliptic PDEs for Physics-Informed Neural Networks
Helmholtz-Zentrum Dresden-Rossendorf e.V.(亥姆霍兹德累斯顿-罗斯多夫中心);University of Wrocław(弗罗茨瓦夫大学)
研究物理驱动神经网络学习偏微分方程解时\(H^{-1}\)残差损失公式,分析椭圆型偏微分方程中\(H^{-1}\)范数离散化,证明其可平衡偏微分方程损失、改善条件并减轻刚性,通过实验验证。
2026-07-07 cs.NA math.NA
A rate of convergence of Physics Informed Neural Networks for the linear second order elliptic PDEs
近年来,物理信息神经网络(PINN)已被证明是一个强大的工具,解决偏微分方程的经验。然而,PINN的数值分析仍然缺失。在本文中,我们证明了PINNs的收敛速度为二阶椭圆型方程与Dirichlet边界条件,通过建立上界的训练样本的数量,深度和宽度的深度神经网络,以达到所需的精度。PINN的误差被分解为近似误差和统计误差,其中近似误差在具有$\mathrm{ReLU}^{3}$网络(具有激活函数$\max\{0,x^3\}$的深度网络)的$C^2$范数中给出,并且统计误差由Rademacher复杂度估计。我们得到了梯度范数的非Lipschitz合成与$\mathrm{ReLU}^{3}$网络的Rademacher复杂性的界,这是一个非常有意义的独立结果.
2022-03-16 cs.NA math.NA
Physics-informed fine-tuning of foundation models for partial differential equations
Fraunhofer Institute for Integrated Systems and Device Technology(弗劳恩霍夫整合系统与器件技术研究所)
本文提出一种结合物理约束的微调方法,用于适应偏微分方程基础模型,提升数据稀缺情况下模型的物理一致性和泛化能力。
2026-03-16 cs.AI cs.LG cs.NA
On the convergence of physics informed neural networks for linear second-order elliptic and parabolic type PDEs
Brown University(布朗大学)
物理信息神经网络(PINN)是基于深度学习的技术,用于求解计算科学和工程中的偏微分方程(PDE)。在数据和物理定律的指导下,PINN找到了一个近似于PDE系统的神经网络。这样的神经网络是通过最小化损失函数来获得的,在该损失函数中对PDE和数据的任何先验知识进行编码。尽管它在一维、二维或三维问题上取得了显著的经验成功,但PINN几乎没有理论依据。随着数据数量的增长,PINN会生成一个对应于神经网络序列的最小化器序列。我们想回答这样一个问题:极小值序列是否收敛于偏微分方程的解?我们考虑两类偏微分方程:线性二阶椭圆型和抛物型。通过采用Schauder方法和最大值原理,证明了极小值序列强收敛于$C^0$中的PDE解.此外,我们表明,如果每个极小满足初始/边界条件,收敛模式成为$H^1$。计算的例子来说明我们的理论研究结果。据我们所知,这是第一个显示PINN一致性的理论工作。
2020-10-21 cs.LG cs.NA math.NA
Numerical Methods For PDEs Over Manifolds Using Spectral Physics Informed Neural Networks
Tel Aviv University(特拉维夫大学)
提出谱物理信息神经网络求解流形上PDE,架构对齐谱方法,优于标准架构,并在热方程及球面、环面非线性方程上验证,含大规模泛化实验。
2023-09-03 cs.LG cs.NA math.NA
A Physics-Informed Neural Network Framework For Partial Differential Equations on 3D Surfaces: Time-Dependent Problems
University of Nevada, Las Vegas(内华达大学拉斯维加斯分校);University of Arkansas(阿肯色大学);Lehigh University(里海大学)
在本文中,我们展示了一个物理信息的神经网络求解器的时间依赖表面偏微分方程。与传统的数值求解器不同,该方法不需要在曲面上扩展偏微分方程和网格。我们显示了一个简化的表面微分算子的先验估计,使PINN的损失值将是一个指标的表面偏微分方程的残留物。数值实验验证了算法的有效性。
2021-03-19 cs.LG cs.NA math.NA
Combining physics-informed graph neural network and finite difference for solving forward and inverse spatiotemporal PDEs
本文提出融合GNN、物理方程与有限差分的PIGNN,用于正演和反演非线性时空PDE,在精度、外推、泛化和可扩展性上优于PINN。
2024-09-09 cs.NA math.NA
Generic bounds on the approximation error for physics-informed (and) operator learning
ETH Zürich(苏黎世联邦理工学院);ETH AI Center(苏黎世联邦理工学院人工智能中心)
我们提出了一个非常通用的框架,用于推导物理信息神经网络(PINN)和算子学习架构(如DeepONets和FNOs)以及物理信息算子学习的近似误差的严格界限。这些界限保证了PINN和(物理信息)DeepONets或FNO将有效地近似通用偏微分方程(PDE)的基本解或解算子。我们的框架利用现有的神经网络近似结果,以获得更多涉及的学习结构的偏微分方程的界限。我们通过推导物理信息算子学习的近似误差的第一个严格界限,并通过显示PINN(以及物理信息DeepONets和FNO)减轻了近似非线性抛物型PDE的维数灾难,来说明一般框架。
2022-10-10 cs.LG cs.NA math.NA
Physics Informed Random Feature Neural Networks for Solving PDEs
Illinois Institute of Technology(伊利诺伊理工学院);University of Arkansas(阿肯色大学);University of Houston(休斯顿大学)
本文提出物理信息随机特征方法求解PDE,降低计算复杂度,通过严格误差分析和数值测试验证其能有效对抗谱偏差。
2026-09-16 cs.LG cs.NA math.NA
Leveraging Lie Group Symmetries to Enhance Physics-Informed Neural Networks for the Fundamental Solution of Linear PDEs
Tsinghua University(清华大学);Beijing Institute of Mathematical Sciences and Applications (BIMSA)(北京国际数学研究中心)
本文针对传统方法求解线性偏微分方程基本解的计算低效问题,提出结合李群对称性与物理信息神经网络(PINNs)的新方法,通过引入线性化对称条件降低计算成本并提升精度,还提供了识别不变无穷小生成元的无监督框架。
2025-11-14 cs.NA math.NA
CT-PIKAN: Coordinate-Transformed Physics-Informed Kolmogorov-Arnold Network with Autograd-Based Metric Evaluation for Solving PDEs in Curvilinear Domains
Department of Aerospace Engineering, Sharif University of Technology(谢里夫理工大学航空航天工程系)
本研究提出CT-PIKAN框架,通过坐标变换结合自动微分,解决曲线域偏微分方程求解的几何适配问题,在多类基准问题上实现高效准确的求解。
2026-08-10 cs.NA math.NA
Parameterized Physics-informed Neural Networks for Parameterized PDEs
Yonsei University(延世大学);Arizona State University(亚利桑那州立大学);LG CNS;Texas A&M University-Commerce(德州农工大学Commerce分校);Oregon State University(俄勒冈州立大学);KAIST(韩国科学技术院)
针对含参数PDE求解中PINNs需重复耗时训练的问题,提出显式编码参数潜在表示的P$^2$INNs,在1D、2D基准PDE上准确性和参数效率优于基线且能克服失效模式。
2024-08-18 cs.LG cs.NA math.NA
Posterior Concentration of Bayesian Physics-Informed Neural Networks for Elliptic PDEs
School of Mathematics, University of Minnesota, Twin Cities(明尼苏达大学双城分校数学学院)
本文研究了贝叶斯物理信息神经网络在求解一般椭圆偏微分方程中的后验收缩率,通过构造合适的先验分布,证明后验分布以近最优速率集中于精确解,并提供了通过贝叶斯PINNs进行PDE不确定性量化统计保证。
2026-05-09 cs.NA math.NA math.ST
PRISMA: Improving the Accuracy-Latency Frontier of Diffusion-based PDE Solvers Using Physics-Informed Spectral Attention
Department of Computer Science(计算机科学系)
PRISMA通过将PDE残差作为频谱注意力机制整合到扩散神经算子中,实现了无需梯度下降的快速、稳健和准确的PDE求解。
2026-08-05 cs.AI cs.LG cs.NA
Physics-Informed Neural Plasticity: PDE Solvers That Reshape Themselves
University of Cambridge(剑桥大学);Shanghai Normal University(上海师范大学);YMSC, Tsinghua University(清华大学丘成桐数学科学中心)
针对物理信息PDE求解器表示结构固定的问题,提出ReCAP,通过局部细化、分裂、剪枝和合并动态重塑容量,在5个3D/4D基准上相对最强竞争降低误差10.7%-27.5%。
2026-10-08 cs.LG cs.NA math.NA
Noise-aware Physics-informed Machine Learning for Robust PDE Discovery
Osaka University(大阪大学)
本工作是关于发现一个物理系统的偏微分方程(PDE)。现有的方法已经证明了PDE识别从有限的观察,但未能保持令人满意的结果对噪声数据,部分原因是次优估计的衍生物和发现PDE系数。我们通过引入噪声感知物理信息机器学习(nPIML)框架来解决这些问题,以从遵循任意分布的数据中发现管理PDE。我们建议在多任务学习范式中训练一对神经网络,即求解器和预选器,这会产生构成隐藏物理约束的基础候选人的重要分数。在它们被联合训练之后,求解器网络估计潜在的候选者,例如,偏导数,用于稀疏回归算法初始揭示最可能的简约PDE,根据信息准则来决定。我们还提出了基于离散傅里叶变换(DFT)的去噪物理信息神经网络(dPINNs),以提供一组关于噪声降低变量的最佳微调PDE系数。去噪PINN被构造成最前沿投影网络和PINN,通过PINN,以前学习的求解器进行迭代。我们对五个典型偏微分方程的广泛实验证实,所提出的框架提出了一个强大的和可解释的偏微分方程发现的方法,适用于广泛的系统,可能复杂的噪声。
2022-08-04 cs.AI cs.LG cs.NA
Physics-Informed Geometry-Aware Neural Operator
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出Physics-Informed Geometry-Aware Neural Operator (PI-GANO),通过几何编码器捕获域特征并集成至DCON架构,使物理信息神经算子能同时对PDE参数和域几何进行泛化,避免了昂贵的数据生成成本。
2024-11-13 cs.LG cs.NA math.NA
VS-PINN: A fast and efficient training of physics-informed neural networks using variable-scaling methods for solving PDEs with stiff behavior
Inha University(仁荷大学)
针对具有刚性或高频特性的偏微分方程求解中PINNs训练困难的问题,提出基于可变缩放技术的VS-PINN方法,经实验验证可提升训练效率与性能,并通过NTK分析给出理论支撑。
2024-07-12 cs.LG cs.NA math.NA
What do physics-informed DeepONets learn? Understanding and improving training for scientific computing applications
Pacific Northwest National Laboratory(太平洋西北国家实验室);Massachusetts Institute of Technology(麻省理工学院);Sandia National Laboratories(桑迪亚国家实验室)
本研究通过评估基函数普适性与谱方法模型降阶潜力,明确物理信息DeepONets的学习内容,提出迁移学习方法改进其在同PDE参数间及不同相关PDE间的训练,实现误差显著降低与基函数有效性提升。
2024-11-27 cs.LG cs.NA math.NA
Refined generalization analysis of the Deep Ritz Method and Physics-Informed Neural Networks
本文推导了Deep Ritz方法(DRM)和物理信息神经网络(PINNs)的精细化泛化界,基于局部化技术、局部Rademacher复杂度及Barron空间假设,为多种椭圆偏微分方程提供了更尖锐的泛化分析与过参数化误差讨论。
2025-06-02 cs.NA math.NA
Helicity-conservative Physics-informed Neural Network Model for Navier-Stokes Equations
本文提出一种基于强形式PDE的螺旋度守恒物理信息神经网络模型,通过设计合适的损失函数实现螺旋度守恒,并与有限元方法比较,证明强形式PDE更适合守恒问题。
2024-04-03 cs.NA math.NA physics.comp-ph
Parameter Inference based on Gaussian Processes Informed by Nonlinear Partial Differential Equations
针对含噪稀疏数据下非线性PDE参数推断耗时的问题,提出基于PDE引导高斯过程(PIGP)的方法,通过增广法处理非线性PDE,绕开数值求解器,可提供不确定性量化,适用于多类场景。
2024-02-01 cs.NA math.NA stat.ME
Solving PDEs on Spheres with Physics-Informed Convolutional Neural Networks
Fudan University(复旦大学);University of Sydney(悉尼大学)
本文针对球面上的PDE求解问题,严格分析PICNN的Sobolev范数逼近误差与快速收敛速率,并通过实验验证,进而探讨缓解高维PDE维数灾难的策略。
2024-08-05 cs.LG cs.NA math.NA
Derivative-Informed Fourier Neural Operator: Universal Approximation and Applications to PDE-Constrained Optimization
本文提出导数感知的傅里叶神经算子(DIFNO)的逼近理论和高效训练方法,用于偏微分方程约束优化。DIFNO通过同时最小化输出和弗雷歇导数样本的预测误差来训练,能够精确模拟高保真算子及其灵敏度。理论结果证明FNO在准确的导数感知算子学习和求解偏微分方程约束优化问题中的能力。
2026-03-15 cs.LG cs.NA math.NA
A hybrid physics-informed neural network for nonlinear partial differential equation
近年来发展起来的基于物理知识的机器学习在求解非线性偏微分方程(PDE)方面取得了很大的进展,但是它可能无法对具有间断解的PDE提供合理的近似。在本文中,我们专注于离散时间物理信息神经网络(PINN),并提出了一个混合PINN计划的非线性偏微分方程。在该方法中,通过引入不连续性指标将局部解结构分为光滑和非光滑尺度,然后采用自动微分技术求解光滑尺度,并采用改进的加权本质不振荡(WENO)格式捕捉不连续性.通过粘性和非粘性Burgers方程对该方法进行了测试,结果表明,与原离散时间PINN方法相比,该混合方法即使在较大的时间步长下也能更好地逼近间断解.
2021-12-03 cs.NA math.NA
Solving PDEs with Unmeasurable Source Terms Using Coupled Physics-Informed Neural Network with Recurrent Prediction for Soft Sensors
Dalian University of Technology(大连理工大学)
针对具有不可测源项的非齐次偏微分方程,本文提出耦合物理信息神经网络CPINN-RP,通过NetU与NetG协同训练及循环预测补偿采样信息损失,提升软测量预测性能。
2023-07-11 cs.LG cs.NA math.NA
Solving forward and inverse PDE problems on unknown manifolds via physics-informed neural operators
本文研究在未知流形上利用物理信息深度算子网络求解偏微分方程正反问题,通过扩散映射、径向基函数和广义移动最小二乘近似微分项,并在贝叶斯MCMC框架中实现扩散系数估计,数值结果表明其精度高且计算成本更低。
2024-07-07 cs.NA math.NA
Physics-Informed Kernel Function Neural Networks for Solving Partial Differential Equations
提出将由PDE控制方程推导的物理信息核函数作为RBFNN激活函数的PIKFNN,仅用边界/初始数据训练,并通过多类基准问题验证其可行性与准确性。
2023-06-07 cs.NA math.NA
PhyCRNet: Physics-informed Convolutional-Recurrent Network for Solving Spatiotemporal PDEs
Northeastern University(东北大学);University of Notre Dame(圣母大学);MIT(麻省理工学院)
偏微分方程(PDE)在建模和模拟各种学科的问题中发挥着重要作用。深度学习的最新进展表明,物理信息神经网络(PINN)在解决偏微分方程方面具有巨大潜力,可作为数据驱动建模和逆分析的基础。然而,大多数现有的PINN方法,基于全连接的神经网络,造成内在的限制,低维时空参数化。此外,由于初始/边界条件(I/BC)是通过惩罚来软施加的,因此解的质量严重依赖于超参数调整。为此,我们提出了新的物理信息卷积递归学习架构(PhyCRNet和PhyCRNet-s),用于在没有任何标记数据的情况下求解偏微分方程。具体地,提出了用于低维空间特征提取和时间演化学习的编码器-解码器卷积长短期记忆网络。损失函数被定义为聚合的离散化PDE残差,而I/BC在网络中被硬编码以确保强制满足(例如,周期性边界填充)。网络通过自回归和残差连接进一步增强,显式模拟时间推进。我们提出的方法的性能已经通过求解三个非线性偏微分方程(例如,2D Burgers方程、$λ$ - $ω$和FitzHugh Nagumo反应扩散方程),并与最新基线算法进行比较。数值结果表明,我们所提出的方法的优越性,在解决方案的精度,外推性和推广。
2021-06-26 cs.CL cs.LG cs.NA
Physics-Informed Graph-Mesh Networks for PDEs: A hybrid approach for complex problems
MICS, CentraleSupélec, Université Paris Saclay(巴黎萨克雷大学中央高等电力学院MICS实验室);Transvalor S.A.(特兰斯瓦尔公司)
针对物理信息神经网络在复杂几何、泛化及自动微分方面的局限,提出融合图神经网络与有限元数值核的混合PDE求解框架,并通过理论分析、消融实验及二三维复杂几何测试验证其泛化能力。
2024-09-25 cs.LG cs.NA math.NA
Predictive Moving Sample Method for Physics-Informed Neural Solvers of Time-Dependent PDEs
The School of Information Science and Technology and the Institute of Mathematical Sciences ShanghaiTech University(上海科技大学信息科学与技术学院与数学科学学院);SKLMS & LSEC, Institute of Computational Mathematics and Scientific/Engineering Computing Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院计算数学与科学工程计算研究所,数学重点实验室);School of Mathematical Sciences University of Chinese Academy of Sciences(中国科学院大学数学科学学院);Research Center for Mathematics and Interdisciplinary Sciences Shandong University(山东大学数学交叉前沿科学中心);Frontiers Science Center for Nonlinear Expectations, Minister of Education Shandong University(教育部非线性期望前沿科学中心);The Institute of Mathematical Sciences ShanghaiTech University(上海科技大学数学科学学院)
提出预测性移动样本方法(PMSM)及其窗口重置变体(WR-PMSM),通过渐进时间步进和简化速度场损失,利用残差动态移动配点,高效求解时间相关偏微分方程。
2026-05-26 cs.NA math.NA
Entropy-dissipation Informed Neural Network for McKean-Vlasov Type PDEs
ETH Zürich(苏黎世联邦理工学院);Peking University(北京大学)
本文将 Fokker-Planck 方程的自洽性推广到 McKean-Vlasov 方程,利用熵耗散构造广义自洽势,并通过神经网络最小化该势函数来求解具有奇异相互作用的 MVE,在多个算例上验证了其有效性。
2023-10-27 cs.LG cs.NA math.AP
Pre-training strategy for solving evolution equations based on physics-informed neural networks
针对标准 PINN 难以求解强非线性或高频时间演化 PDE 的问题,本文提出 PT-PINN 分时间子域预训练策略,以提升收敛性、精度与求解能力。
2022-11-12 cs.NA math.NA
Physics-informed Neural Networks for Elliptic Partial Differential Equations on 3D Manifolds
受物理信息神经网络(PINNs)研究的启发,首次尝试将PINNs引入三维流形上椭圆型偏微分方程(PDE)的数值模拟. PINN是基于深度学习的技术之一。PINN基于数据和物理模型,引入标准的前馈神经网络(NN)来逼近PDE系统的解。通过使用自动微分,偏微分方程系统可以显式地编码成NN,因此,从偏微分方程的均方残差的总和可以相对于NN参数最小化。利用曲面微分算子$\nabla_S/Δ_S$与标准欧氏微分算子$\nabla/Δ$之间的关系,利用自动微分法可以有效地构造损失函数中的残差.我们首先考虑单位球面作为曲面,研究不同训练样本大小和神经网络深度的PINNs的数值精度和收敛性。另一个例子提供了不同的复流形,以验证的鲁棒性的PINN。
2021-03-04 cs.NA math.NA
Spectral-Prior Guided Multistage Physics-Informed Neural Networks for Highly Accurate PDE Solutions
针对PINNs求解偏微分方程精度有限的问题,本文提出两种谱先验引导的多阶段模型:SI-MSPINNs通过残差主导谱模式引导初始化并多阶段优化,RFF-MSPINNs基于残差功率谱动态调整频率采样,实验证明二者均显著提升原始PINNs精度。
2025-08-25 cs.CE cs.NA math.NA
Physics-informed Discretization-independent Deep Compositional Operator Network
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出一种物理信息且离散化无关的深度复合算子网络,通过重复学习参数嵌入并与响应嵌入复合,解决了神经算子在不规则区域和不同离散表示下的泛化难题,降低了数据成本。
2024-11-13 cs.LG cs.NA math.NA
Physics-Informed Deep Inverse Operator Networks for Solving PDE Inverse Problems
Korea Advanced Institute of Science and Technology(韩国科学技术院);Konkuk University(建国大学)
本文提出物理信息深度逆算子网络(PI-DIONs),通过将反问题稳定性估计扩展到算子学习框架,在无标签数据条件下学习PDE反问题的解算子,并验证了其泛化能力与准确性。
2025-02-07 cs.AI cs.NA math.NA
Incorporating Local Hölder Regularity into PINNs for Solving Elliptic PDEs
Harbin Institute of Technology(哈尔滨工业大学)
本研究将局部Hölder正则化融入PINNs框架,通过构建含该正则项的改进损失函数、提出变距离离散采样策略并建立误差估计,提升了椭圆型PDEs求解的精度与鲁棒性。
2025-10-30 cs.NA math.NA
Adversarial Multi-task Learning Enhanced Physics-informed Neural Networks for Solving Partial Differential Equations
Osaka University(大阪大学);The Institute of Scientific and Industrial Research, Osaka University(大阪大学科学与工业研究所)
最近,研究人员利用神经网络来精确求解偏微分方程(PDE),使无网格方法的科学计算。不幸的是,当遇到高非线性域时,网络性能下降。为了提高泛化能力,我们引入了新的方法,采用多任务学习技术,不确定性加权损失和梯度手术,在学习PDE解决方案的背景下。多任务方案利用了学习共享表示的好处,由十字绣模块控制,多个相关PDE之间,这是通过改变PDE参数化系数,以更好地概括原始PDE。为了鼓励网络更加关注学习更具挑战性的高非线性域区域,我们还提出了对抗性训练来生成补充的高损失样本,这些样本与原始训练分布类似。在实验中,我们提出的方法被发现是有效的,并减少了错误的看不见的数据点相比,以前的方法在各种PDE的例子,包括高维随机PDE。
2021-05-12 cs.LG cs.NA math.NA
Solving a class of multi-scale elliptic PDEs by means of Fourier-based mixed physics informed neural networks
本研究提出FMPINN算法,通过引入对偶变量、三角激活函数和傅里叶特征映射,有效解决了多尺度椭圆型偏微分方程中由振荡系数引起的病态问题和高频求解挑战。
2023-07-27 cs.NA math.NA
Data-Free Asymptotics-Informed Operator Networks for Singularly Perturbed PDEs
Seoul National University(首尔大学);Inha University(仁荷大学);Chung-Ang University(中央大学)
本文提出eFEONet,一种无数据指导的算子网络,用于高效求解退化扰动PDEs中的尖锐层问题。
2026-01-10 cs.NA math.NA
FB-HyDON: Parameter-Efficient Physics-Informed Operator Learning of Complex PDEs via Hypernetwork and Finite Basis Domain Decomposition
Quantiphi(昆体菲科技)
针对现有神经算子需大量数据、物理信息算子训练复杂且难收敛的问题,提出结合超网络与有限基域分解的FB-HyDON架构,在多个PDE任务上实现性能提升。
2024-09-13 cs.LG cs.NA math.NA
Physics-Informed Neural Operator for Learning Partial Differential Equations
California Institute of Technology(加州理工学院);Nvidia Corporation(英伟达公司)
提出PINO方法,结合粗分辨率数据与高分辨率PDE约束学习解算子,实现零样本超分辨率且在无数据场景中优于PINN。
2023-07-29 cs.LG cs.NA math.NA
PINNsur: Physics-Informed Neural Networks for PDEs on Curved Surfaces
University of Southern California(南加州大学);Max Planck Institute for Informatics, SIC(马克斯·普朗克计算机科学研究所);University of British Columbia(不列颠哥伦比亚大学);Technion(以色列理工学院)
提出PINNSur框架,通过训练神经场近似曲面法线并投影微分算子,实现无网格求解曲面PDE,并引入经验收敛测试研究收敛行为。
2026-05-26 cs.GR cs.NA math.NA
Error Analysis and Numerical Algorithm for PDE Approximation with Hidden-Layer Concatenated Physics Informed Neural Networks
Xi’an University of Technology(西安理工大学);Northwest University(西北大学);Purdue University(普渡大学)
本文提出HLConcPINN方法,结合隐层拼接网络、分块时间推进和物理信息策略逼近抛物型与双曲型偏微分方程,建立误差界并推广了仅限两层和tanh激活的既有理论保证方法。
2024-06-10 cs.LG cs.NA math.NA
A Unified Weighted-Loss Physics-Informed Neural Network for Boundary Layer Problems in Singularly Perturbed PDEs
National Central University(中央大学);National Center for Theoretical Sciences, National Taiwan University(台湾大学理论科学中心);National Chung Hsing University(中兴大学);National Yang Ming Chiao Tung University(阳明交通大学)
本文提出一种基于加权损失的统一学习框架,用于解决奇异摄动PDEs中的边界层问题,通过自动识别边界层位置,简化了实现复杂度并提高了计算精度。
2026-03-31 cs.NA math.NA
Moving Sampling Physics-informed Neural Networks induced by Moving Mesh PDE
School of Mathematics, Sichuan University(四川大学数学学院)
本文提出基于移动网格方法的自适应采样网络 MMPDE-Net,并与 PINN 结合构建 MS-PINN,通过误差分析和数值实验验证其相比 PINN 的性能提升。
2024-06-09 cs.AI cs.LG cs.NA
Unified theoretical guarantees for stability, consistency, and convergence in neural PDE solvers from non-IID data to physics-informed networks
Kabale University(卡巴莱大学)
本文提出统一理论框架,利用混合系数、曲率感知聚合与变分分析,严格证明了在非独立同分布数据、联邦学习及物理信息神经网络(PINNs)中的稳定性、一致性与收敛性,为设计鲁棒且物理连贯的神经架构奠定数学基础。
2025-05-30 cs.LG cs.NA math.NA