基于物理信息神经网络的DiffGrad
原文中文,约400字,阅读约需1分钟。发表于: 。本研究针对物理信息神经网络在处理高度非线性偏微分方程时的性能挑战,提出了一种新颖的解决方案。通过将DiffGrad与PINNs结合,利用当前与前一个梯度的差异来提高性能,研究结果表明该方法显著提高了解的准确性并减少了训练时间,展示了其在计算流体动力学中的潜在应用价值。
本论文研究了训练物理信息神经网络(PINNs)的挑战,强调了损失函数在训练中的作用,并研究了由微分算子引起的病态条件所带来的困难。比较了不同优化器的性能,提出了一种新的二阶优化器NNCG,改善了PINN的性能。研究结果为训练PINNs提供了洞见和更强大的优化策略,有助于改善其在解决偏微分方程中的效用。