Open review Mitigating Propagation Failures in PINNs using Evolutionary Sampling

摘要: 与Mitigating Propagation failures in PINNs using Evolutionary Sampling - Orange0005 - 博客园 (cnblogs.com)相关联 这篇论文是最近才看到的,主体思想是提出了一种新的进化采样方法,帮助PINN来关注困难的层 阅读全文
posted @ 2023-02-03 09:25 Orange0005 阅读(65) 评论(0) 推荐(0)

Efficient training of physics-informed neural networks via importance sampling

摘要: 因为看着作者是英伟达的,便看了一下。总体感觉没有什么新意,改进幅度也很小,但是理论推导可以看一下。可以借鉴一下。 本文通过重要性采样对PINN进行高效计算,本文提出的方法很简单,也很直观,但效果提升有限。大概说一下,就是利用一个与损失函数成比例的分布,进行采样,再利用这个子集更新网络参数。最后为了减 阅读全文
posted @ 2023-02-02 17:59 Orange0005 阅读(268) 评论(0) 推荐(0)

Mitigating Propagation failures in PINNs using Evolutionary Sampling

摘要: 未发表 (ICLR2023拒稿) 本文采用进化采样策略来缓解PINN使用中的传播失败。大体可以描述为一类主动学习/自步学习方法与分析。 当前,面对PINN失败的问题,当前的研究大部分都集中在平衡损失函数,和自适应调节PDE的系数上(类似的工作我见过的不多),但是,目前缺少彻底了解PINN失效模式和P 阅读全文
posted @ 2023-02-01 11:38 Orange0005 阅读(434) 评论(0) 推荐(0)

IMPROVED TRAINING OF PHYSICS-INFORMED NEURAL NETWORKS WITH MODEL ENSEMBLES

摘要: 未发表 本篇文献的思路比较简单,类似于一种蔓延式的学习,但是本文不同的是利用了多个PINN进行辅助选点。类似的工作以前看过几篇,但本片文献一个显著的缺点是计算力非常大,在本文的实验中,作者只使用了五个PINN同时训练,这就已经是PINN五倍的计算量了。但是本文比较有趣的一点是图3,作者对对流方程PI 阅读全文
posted @ 2023-01-31 19:52 Orange0005 阅读(242) 评论(0) 推荐(0)

[*]Theory-guided physics-informed neural networks for boundary layer problems with singular perturbation

摘要: JCP2023 这篇文章聚焦了PINN在处理奇异摄动问题时所面临的困难。(用不同的分支网络去表示内部区域和外部区域中边界层问题的不同阶数的近似)。但本文所提出的方法计算量非常大,因为他要使用至少两个以上的网络。实验中作者也仅使用了两个网络去近似,即内部和外部网络。 首先,文章给出了许多边界层问题的具 阅读全文
posted @ 2023-01-30 14:36 Orange0005 阅读(273) 评论(0) 推荐(0)

[*]Kolmogorov n–width and Lagrangian physics-informed neural networks: A causality-conforming manifold for convection-dominated PDEs

摘要: 本文提供了一种方法来描述PINN训练的困难程度,即将PINN训练的复杂性与解的Kolmogorov n宽度结合起来。同时,作者提出了LPINN用来解决线性和非线性对流扩散方程(在传统的PINN结构中,添加了一个浅分支,最小化由特征残差方程和特征状态变量组成的复合损失) 传统的PINN结构如下 目前, 阅读全文
posted @ 2023-01-29 17:09 Orange0005 阅读(303) 评论(0) 推荐(0)