物理情報ニューラルネットワークにおける偏微分方程式解法のための学習可能な活性化関数
学習可能な活性化関数を備えたKolmogorov-Arnoldネットワーク（KAN）は、従来の多層パーセプトロン（MLP）と比較して、偏微分方程式（PDE）のより正確かつ効率的な解を提供できる可能性がある。
Learnable Activation Functions in Physics-Informed Neural Networks for Solving Partial Differential Equations: A Comparative Study of MLPs and KANs
Learnable activation functions, particularly those used in Kolmogorov-Arnold Networks (KANs), can significantly improve the accuracy and efficiency of Physics-Informed Neural Networks (PINNs) in solving complex partial differential equations (PDEs) compared to traditional Multilayer Perceptrons (MLPs).
보존 법칙을 위한 결합 적분 물리 정보 신경망 (CI-PINN)
비선형 보존 법칙에서 충격파를 정확하게 모델링하기 위해 기존 PINN의 한계를 해결하는 새로운 결합 적분 물리 정보 신경망(CI-PINN) 방법론을 제시합니다.
Coupled Integral Physics-Informed Neural Networks for Solving Conservation Laws with Shocks
Coupled Integral Physics-Informed Neural Networks (CI-PINNs) address the limitations of traditional PINNs in modeling shock waves in conservation laws by incorporating the integral form of the equations and leveraging a second neural network to approximate integral solutions, achieving higher accuracy and respecting mathematical principles.
HVDC 시스템의 유전체 모델링에 적용된 물리 정보 기반 신경망 분석: 전방 및 역 문제 해결 능력과 과제
본 논문은 HVDC 시스템의 유전체 재료 모델링을 위해 PINN(Physics-Informed Neural Networks)을 적용하여 전방 및 역 문제 해결 능력과 한계점을 분석하고, 특히 로그 변환을 통해 예측 정확도를 향상시키는 방법을 제시합니다.
Physics-Informed Neural Networks for Predicting Current in Dielectric Materials: Exploring Forward and Inverse Modes Using DeepXDE
Integrating physics-informed neural networks (PINNs) with a logarithmic transformation of current data enhances the prediction accuracy and stability for modeling dielectric material behavior in electrical circuits, particularly in complex systems and data-sparse scenarios.
Physics-Informed Neural Networks for Approximating Numerical Model Errors and Superresolution of Finite Element Solutions for a Two-Dimensional Elastic Plate
Integrating physics-informed loss functions into neural networks enhances their ability to approximate numerical model errors and perform superresolution of finite element solutions, surpassing purely data-driven approaches.
복잡한 경계 조건을 가진 Navier-Stokes 방정식 해결을 위한 Soft 및 Hard 제약 조건의 상호 보완적 Physics-Informed Neural Network
복잡한 경계 조건을 가진 Navier-Stokes 방정식을 효과적으로 풀기 위해 Soft 및 Hard 제약 조건을 결합한 새로운 Physics-Informed Neural Network 방법론을 제시한다.
Physics-Informed Neural Networks for Solving Allen-Cahn Equations with Preserved Energy Dissipation: A Novel Approach
This research paper introduces a novel Physics-Informed Neural Network (PINN) approach for solving Allen-Cahn equations, enhancing accuracy by incorporating energy dissipation as a constraint within the learning process.
뉴럴 컨쥬게이트 플로우: 플로우 구조를 갖춘 물리 정보 기반 아키텍처
뉴럴 컨쥬게이트 플로우(NCF)는 위상 켤레를 통해 정확한 플로우 구조를 갖추도록 설계되어, 일반 미분 방정식(ODE)의 잠재적 dynamcis를 효율적으로 추정하고 외삽할 수 있는 새로운 물리 정보 기반 신경망 아키텍처입니다.
© 2024 by Linnk AI