RBF-PINN：物理知情神经网络中的非傅里叶位置嵌入
原文中文，约400字，阅读约需1分钟。发表于：。基于物理约束的神经网络（PINNs）的研究中，我们发现来自更广泛的神经表示研究的特征映射往往被忽视，我们强调了在特定情况下经常使用的基于 Fourier 的特征映射的局限性，并建议使用条件正定的径向基函数，我们的实证发现证明了我们的方法在多种正向和反向问题案例中的有效性，我们的方法可以无缝地集成到基于坐标的输入神经网络中，并为 PINNs 研究的更广泛领域做出贡献。
本文研究了物理信息驱动的神经网络（PINNs）在两个不同系统的实验数据上的表现。结果显示，在简单的非线性摆系统中，PINNs 在理想数据情况下胜过了无信息神经网络（NNs），准确度提高了18倍和6倍。在使用实验数据进行测试时，PINNs 相对于NNs的准确度提高了9.3倍和9.1倍。此外，研究了物理信息驱动模型在物理系统中的可行性，并选择了FPGA作为部署计算的基板。根据提出的系统架构和方法，讨论了从这项工作中获得的见解，并列出了未来工作计划。
