BriefGPT - AI 论文速递
·
基于域分解和物理信息神经网络的模型发现
💡
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神经网络（PINNs）在控制方程中的应用。在简单非线性摆系统中，PINNs在理想和真实数据下的准确性显著高于无信息神经网络。研究还探讨了PINNs在物理系统中的可行性，并通过FPGA实验解决了时间和空间数据对齐的问题。最后，文章讨论了研究成果和未来计划。
🎯
关键要点
-
本文研究物理信息驱动的神经网络（PINNs）在控制方程中的应用。
-
在简单非线性摆系统中，PINNs在理想数据情况下的准确性显著高于无信息神经网络（NNs）。
-
在10个线性间隔和10个均匀分布的随机训练点上，PINNs的准确度分别提高了18倍和6倍。
-
使用真实实验数据进行测试时，PINNs的准确度相对于NNs提高了9.3倍和9.1倍。
-
研究了PINNs在物理系统中的可行性，并选择FPGA作为计算部署平台。
-
使用PYNQ-Z1 FPGA进行实验，解决了时间和空间数据对齐的问题。
-
讨论了研究成果和未来工作计划。
➡️
