论文
登录后可查看剩余解析次数。
标签筛选
物理信息神经网络
RL-PINNs: Reinforcement Learning-Driven Adaptive Sampling for Efficient Training of PINNs
发表：2025/4/17
基于强化学习的自适应采样物理信息神经网络偏微分方程求解单轮采样训练马尔可夫决策过程
本文提出了一种名为RLPINNs的强化学习驱动自适应采样框架，旨在提高物理信息神经网络(PINNs)的训练效率。通过将自适应采样形式化为马尔可夫决策过程，RL智能体能够在单轮采样中动态选择最佳训练点，避免了传统方法的多轮采样和冗余点问题。该方法显著提升了准确性和计算效率，尤其在高维和高阶问题中表现优秀。
02
HyPINO: Multi-Physics Neural Operators via HyperPINNs and the Method of Manufactured Solutions
发表：2025/9/5
多物理神经算子零样本泛化Swin Transformer超网络物理信息神经网络偏微分方程求解
本文提出了HyPINO，一种多物理场神经算子，旨在实现任务无关的零shot 泛化。通过结合Swin Transformer超网络与混合监督，使用制造解法和物理信息优化的样本，HyPINO有效处理多种偏微分方程，显著提高了七个基准问题的准确性。
04