基于域分解的物理信息神经网络的 Schwarz 交替法耦合
原文中文，约300字，阅读约需1分钟。发表于：。本文通过使用 Schwarz 交替方法将物理信息神经网络 (PINNs) 与传统数值模型进行耦合，探索了在非线性偏微分方程中加速神经网络训练的方法，并在一维平流 - 扩散方程中验证了该方法对提高 PINN 训练的有效性。
本文介绍了物理启发神经网络（PINNs）的内部运作机制和新的损失函数，以及在参数估计和算子发现中的应用。同时，展示了如何使用纯符号公式生成全部的训练代码，并对使用学习技术解决大量偏微分方程（PDEs）的性能进行了详细分析。最后，通过复杂的多物理场例子，Doyle-Fuller-Newman（DFN）模型，展示了如何使用 NeuralPDE 将其表达并求解。
