BriefGPT - AI 论文速递
·
理解输入子域级别损失函数梯度下降模型对于波浪翼无稳流动训练的影响
原文中文，约400字，阅读约需1分钟。
📝
内容提要
最近的研究发现，基于浸入边界方法的PINNs能够准确重构速度和恢复压力。通过全局物理损失放松和基于物理的欠采样方法来训练，获得了良好的精度。研究还发现，学习取决于区域损失分量梯度和每个区域的样本点比例的综合效果。主导输入区域也是具有最强解梯度的区域。
🎯
关键要点
-
基于浸入边界方法的物理驱动神经网络（PINNs）能够准确重构速度和恢复压力。
-
MB-PINNs通过全局物理损失放松和基于物理的欠采样方法训练，获得良好精度。
-
研究调查了物理损失放松和基于物理的欠采样对训练的影响。
-
在MB-PINNs训练中定义了三个空间区域：运动体、尾流和外部区域。
-
通过区域损失分量梯度和样本点比例计算了两个新指标来评估空间区域对训练的影响。
-
学习依赖于区域损失分量梯度和样本点比例的综合效果。
-
主导输入区域是具有最强解梯度的区域。
🏷️
