Effiziente Methoden zum Training physikbasierter neuronaler Netze und Gauß-Prozesse durch Propagation von Pseudolabels
Dieser Artikel präsentiert Methoden zum effizienten Training von physikbasierten neuronalen Netzen (PINNs) und physikbasierten Gauß-Prozessen (PIGPs) durch Propagation von Pseudolabels. Die vorgestellten Selbsttrainingsschemata und Co-Trainingsansätze ermöglichen es, die Schwierigkeit der Informationspropagation in Vorwärtsrichtung, die ein häufiges Versagensszenario von PINNs darstellt, zu verbessern.
Beschleunigung der Konvergenzgeschwindigkeit durch merkmalserzwingende physikbasierte neuronale Netzwerke: Nutzung von Randbedingungen als Vorwissen für eine schnellere Konvergenz
Durch die Verwendung von Randbedingungen als Vorwissen und eine zweistufige Trainingsstrategie kann die Konvergenzgeschwindigkeit von physikbasierten neuronalen Netzwerken erheblich verbessert werden.
Physikbasiertes neuronales Netzwerk zur Simulation und Vorhersage von Zweiphasen-Darcy-Strömungen
Ein neuartiger Ansatz zur physikbasierten Maschinellen Lernens, der die Leistungsfähigkeit neuronaler Netzwerke mit der Dynamik der diskretisierten Differentialgleichungen kombiniert, um die Simulation und Vorhersage von Zweiphasen-Darcy-Strömungen in porösen Medien zu verbessern.
© 2024 by Linnk AI