基于物理信息神经网络（PINN）的方法论用于耦合移动边界偏微分方程
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了耦合移动边界偏微分方程（PDEs）的复杂物理问题，填补了现有应用的空白。提出了一种基于PINN的方法，通过引入多个变量的独立网络架构和交替学习策略，成功捕捉了合金固化中的复杂组成特征及其界面不连续性，这一方法在低数据环境中展现出广泛的适用性和潜在影响。
本研究探讨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。在非线性摆系统中，PINNs在理想数据情况下优于无信息神经网络（NNs），在使用实验数据进行测试时准确度也显著提高。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FPGA作为计算部署的基板。
