BriefGPT - AI 论文速递
·
生成性神经网络重参数化用于可微分偏微分方程约束优化
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
我们通过将偏微分方程表示为神经网络来发现PDE，采用类似物理信息神经网络的中间状态。使用惩罚方法和约束区域障碍方法解决优化问题，并在数值示例中比较。结果表明，约束方法在高噪声或少插值点时表现更好。我们使用传统方法解决这些神经网络PDE，而不是依赖自动微分的PINN方法。
🎯
关键要点
- 通过将偏微分方程（PDE）表示为神经网络来发现PDE。
- 采用类似物理信息神经网络（PINN）的中间状态表示。
- 使用惩罚方法和约束区域障碍方法解决优化问题。
- 在数值示例中比较惩罚方法和约束方法的效果。
- 结果表明，约束方法在高噪声或少插值点时表现更好。
- 使用传统方法（如有限差分方法）解决神经网络PDE，而不是依赖自动微分的PINN方法。
- 简要介绍其他一些小但重要的实施细节。
➡️
