BriefGPT - AI 论文速递
·
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。
📝
内容提要
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。
🎯
关键要点
-
研究物理信息驱动的神经网络（PINNs）在两个不同系统的表现。
-
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，PINNs的准确度提高了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，选择FPGA作为计算基板。
-
使用PYNQ-Z1 FPGA进行实验，发现与时间相干感知和空间数据对齐相关的问题。
-
讨论了从这项工作中获得的见解，并列出了未来工作计划。
➡️
