原创力文档摘要
物理信息神经网络（physics-informedneuralnetworks，PINN）凭借着强大的非线性
拟合能力以及灵活的物理-数据双重驱动方案，正在成为一种流行的用于求解物理方程
的新型数值计算方法。然而，在求解具有不确定性参数的PDE（partialdifferentialequation，
PDE）（即参数化PDE）时，PINN面临以下挑战：一是PINN的收敛速度很容易受到物
理参数变化的影响，训练时间随物理场复杂度的提高而大幅增加，这是因为PINN中基
于
摘要
物理信息神经网络（physics-informedneuralnetworks，PINN）凭借着强大的非线性
拟合能力以及灵活的物理-数据双重驱动方案，正在成为一种流行的用于求解物理方程
的新型数值计算方法。然而，在求解具有不确定性参数的PDE（partialdifferentialequation，
PDE）（即参数化PDE）时，PINN面临以下挑战：一是PINN的收敛速度很容易受到物
理参数变化的影响，训练时间随物理场复杂度的提高而大幅增加，这是因为PINN中基
于
文档评论（0）