保结构的物理信息神经网络：具有能量或李雅普诺夫结构
原文中文，约400字，阅读约需1分钟。发表于：。提出了一种结构保持的物理导向神经网络 (PINNs) 方法，通过设计结构保持的损失函数和利用系统的李雅普诺夫结构来提高 PINNs 的性能，从而改进了 PINNs 对偏微分方程的数值精度，并提高了模型对图像数据中对抗扰动的鲁棒性。
本文研究了物理信息驱动的神经网络（PINNs）在两个系统上的表现。在非线性摆系统中，PINNs在理想数据情况下准确度提高了18倍和6倍，在实验数据测试中准确度提高了9.3倍和9.1倍。研究了物理信息驱动模型在物理系统中的可行性，并选择FPGA作为计算基板。讨论了从这项工作中获得的见解，并列出了未来工作计划。
