BriefGPT - AI 论文速递
·
物理信息神经网络用于预测超出训练范围的TCAD解决方案，且最小化领域专业知识
💡
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）在控制方程编码和实验数据上的表现。在非线性摆系统中，PINNs在理想数据情况下的准确度提高了18倍和6倍，在真实数据情况下的准确度提高了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，并使用PYNQ-Z1 FPGA进行实验。未来工作计划包括进一步优化系统架构和方法。
🎯
关键要点
-
研究物理信息驱动的神经网络（PINNs）在控制方程编码和实验数据上的表现。
-
在非线性摆系统中，PINNs在理想数据情况下的准确度提高了18倍和6倍。
-
在真实数据情况下，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。
-
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。
-
未来工作计划包括进一步优化系统架构和方法。
🏷️
标签
➡️
