Phasenübergänge, gesamte Diffusion und Generalisierung beim Lernen in PINNs
Die Autoren zeigen, dass das Lernen in physik-informierten neuronalen Netzen (PINNs) durch diskrete Phasenübergänge gekennzeichnet ist, die mit der Homogenität der Gradienten zusammenhängen. Eine "totale Diffusions"-Phase, in der die Gradienten hochgradig homogen sind, führt zu einer optimalen Konvergenz und Generalisierung.