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。发表于：。本研究解决了在复杂系统中学习模型参数的挑战，提出了一种结合域分解方法的改进算法。通过比较物理信息神经网络（PINNs）与有限基物理信息神经网络（FBPINNs）的性能，发现FBPINNs在处理不同动态区域及噪声水平的数据时表现更优，显示出其在学习准静态长期行为模型方面的潜力。
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。
