SPLIT-PINN: Técnica de probabilidad separable con PINNs
Descubre cómo SPLIT-PINN generaliza la predicción probabilística de microestructuras en materiales policristalinos.
#pinn
Enfoque de precisión dinámica consciente de curvatura para PINNs
Descubre cómo un control de precisión basado en curvatura reduce costos computacionales en PINNs sin sacrificar exactitud. Optimiza tu entrenamiento.
Modelos oscilatorios de espacio de estados como sesgos inductivos para PINNs
Optimiza la solución de EDP con modelos oscilatorios: mayor precisión, menor memoria. ¡Descubre cómo!
PINNfluence: Interpretando PINNs mediante funciones de influencia
Descubre cómo PINNfluence interpreta las redes neuronales físicas informadas usando funciones de influencia para diagnosticar su comportamiento.
Evaluación crítica de PINN vs FEM diferenciable para análisis inverso de FWD
Descubre por qué la FEM diferenciable supera a las PINN en el análisis inverso de deflectómetros de peso (FWD) para pavimentos: mayor precisión, robustez y eficiencia.
Supervisión Feynman-Kac ruidosa para entrenar PINNs
Aprende cómo la supervisión Feynman-Kac mejora PINNs, reduce el mal condicionamiento y ofrece cotas de error. Ejemplos en Poisson, Schrödinger y más.
Acelerando la inversión de ondas con redes híbridas cuántico-clásicas
Acelera la inversión de ondas con redes híbridas cuántico-clásicas: errores más bajos en 8x menos iteraciones y menos parámetros.
Residuales PINN para refinamiento adaptativo de malla en EDP
Los residuales de redes informadas por física guían el refinamiento adaptativo de malla en solucionadores de EDP, reduciendo errores con menos grados de libertad. ¡Descubre cómo!
naPINN: Redes Neuronales Adaptativas al Ruido para Recuperar Física
Descubre cómo naPINN, una red neuronal adaptativa al ruido, recupera soluciones físicas a partir de mediciones corruptas, superando a métodos tradicionales. Ideal para datos con outliers.
naPINN: Redes Neuronales Adaptativas al Ruido para Recuperar Física
naPINN recupera leyes físicas de mediciones con ruido y outliers sin conocer la distribución del ruido. Ideal para datos corruptos.
PINN para consolidación radial con precarga combinada y zona alterada
Descubre cómo los modelos PINN con restricciones duras logran MAE de 0.27 kPa en consolidación radial con precarga combinada y zona alterada.
Los modos de fallo de PINNs son sobreajuste
Descubre cómo el sobreajuste provoca fallos en PINNs y cómo la regularización y el doble backpropagation permiten resolver ecuaciones con menos puntos de colocación.
Modelos de difusión riemannianos en variedades generales mediante PINNs
Aprende cómo las PINNs permiten resolver la ecuación del calor en variedades para modelos generativos de difusión riemanniana, sin necesidad de núcleos analíticos.