揭示物理任务导向神经网络的优化过程：PINN 能有多准确和有竞争力？
原文中文，约400字，阅读约需1分钟。发表于：。研究通过改进优化算法和调整损失函数，得出物理感知神经网络在多个领域具有与有限差分方案相当的准确性，鼓励进一步推动 PINNs 和相关优化技术在各个领域的应用。
本文研究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。结果显示，在简单的非线性摆系统中，PINNs 在理想数据情况下胜过了等效的无信息神经网络（NNs），在线性间隔和均匀分布的随机训练点上的准确度分别提高了18倍和6倍。在使用实验数据进行测试时，PINNs 相对于NNs 的准确度提高了9.3倍和9.1倍，分别对应于线性间隔和均匀分布的随机点。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作为部署计算的基板。根据提出的系统架构和方法，讨论了从这项工作中获得的见解，并列出了未来工作计划。
