Buchumschlag

Physical Activation Functions (PAFs): An Approach for More Efficient Induction of Physics into Physics-Informed Neural Networks (PINNs)

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Abbasi, Jassem, Andersen, Pål Østebø
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Challenges and Advancements in Modeling Shock Fronts with Physics-Informed Neural Networks: A Review and Benchmarking Study
von: Abbasi, Jassem, et al.
Veröffentlicht: (2025)

History-Matching of Imbibition Flow in Multiscale Fractured Porous Media Using Physics-Informed Neural Networks (PINNs)
von: Abbasi, Jassem, et al.
Veröffentlicht: (2024)

E-PINNs: Epistemic Physics-Informed Neural Networks
von: Jacob, Bruno, et al.
Veröffentlicht: (2025)

RRaPINNs: Residual Risk-Aware Physics Informed Neural Networks
von: Akazan, Ange-Clément, et al.
Veröffentlicht: (2025)

Feature Mapping in Physics-Informed Neural Networks (PINNs)
von: Zeng, Chengxi, et al.
Veröffentlicht: (2024)

Partition of Unity Physics-Informed Neural Networks (POU-PINNs): An Unsupervised Framework for Physics-Informed Domain Decomposition and Mixtures of Experts
von: Rodriguez, Arturo, et al.
Veröffentlicht: (2024)

Adaptive Interface-PINNs (AdaI-PINNs): An Efficient Physics-informed Neural Networks Framework for Interface Problems
von: Roy, Sumanta, et al.
Veröffentlicht: (2024)

Mask-PINNs: Mitigating Internal Covariate Shift in Physics-Informed Neural Networks
von: Jiang, Feilong, et al.
Veröffentlicht: (2025)

Taylor-Model Physics-Informed Neural Networks (PINNs) for Ordinary Differential Equations
von: Nagesh, Chandra Kanth, et al.
Veröffentlicht: (2025)

AQ-PINNs: Attention-Enhanced Quantum Physics-Informed Neural Networks for Carbon-Efficient Climate Modeling
von: Dutta, Siddhant, et al.
Veröffentlicht: (2024)

AB-PINNs: Adaptive-Basis Physics-Informed Neural Networks for Residual-Driven Domain Decomposition
von: Botvinick-Greenhouse, Jonah, et al.
Veröffentlicht: (2025)

NewPINNs: Physics-Informing Neural Networks Using Conventional Solvers for Partial Differential Equations
von: Makki, Maedeh, et al.
Veröffentlicht: (2026)

PINNsFormer: A Transformer-Based Framework For Physics-Informed Neural Networks
von: Zhao, Zhiyuan, et al.
Veröffentlicht: (2023)

SetPINNs: Set-based Physics-informed Neural Networks
von: Nagda, Mayank, et al.
Veröffentlicht: (2024)

SVD-PINNs: Transfer Learning of Physics-Informed Neural Networks via Singular Value Decomposition
von: Gao, Yihang, et al.
Veröffentlicht: (2022)

Over-PINNs: Enhancing Physics-Informed Neural Networks via Higher-Order Partial Derivative Overdetermination of PDEs
von: Huo, Wenxuan, et al.
Veröffentlicht: (2025)

A Family of Adaptive Activation Functions for Mitigating Failure Modes in Physics-Informed Neural Networks
von: Murari, Krishna
Veröffentlicht: (2026)

Unveiling the optimization process of Physics Informed Neural Networks: How accurate and competitive can PINNs be?
von: Urbán, Jorge F., et al.
Veröffentlicht: (2024)

Functional Tensor Decompositions for Physics-Informed Neural Networks
von: Vemuri, Sai Karthikeya, et al.
Veröffentlicht: (2024)

HyResPINNs: A Hybrid Residual Physics-Informed Neural Network Architecture Designed to Balance Expressiveness and Trainability
von: Cooley, Madison, et al.
Veröffentlicht: (2024)

Learnable Activation Functions in Physics-Informed Neural Networks for Solving Partial Differential Equations
von: Farea, Afrah, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks: Minimizing Residual Loss with Wide Networks and Effective Activations
von: Dashtbayaz, Nima Hosseini, et al.
Veröffentlicht: (2024)

Efficient Error Certification for Physics-Informed Neural Networks
von: Eiras, Francisco, et al.
Veröffentlicht: (2023)

Conformalized Physics-Informed Neural Networks
von: Podina, Lena, et al.
Veröffentlicht: (2024)

Efficient Global-Local Fusion Sampling for Physics-Informed Neural Networks
von: Luo, Jiaqi, et al.
Veröffentlicht: (2025)

CP-PINNs: Data-Driven Changepoints Detection in PDEs Using Online Optimized Physics-Informed Neural Networks
von: Dong, Zhikang, et al.
Veröffentlicht: (2022)

From PINNs to PIKANs: Recent Advances in Physics-Informed Machine Learning
von: Toscano, Juan Diego, et al.
Veröffentlicht: (2024)

PINNs Failure Modes are Overfitting
von: Andersen, Nigel T., et al.
Veröffentlicht: (2026)

Preconditioning for Physics-Informed Neural Networks
von: Liu, Songming, et al.
Veröffentlicht: (2024)

Complex Physics-Informed Neural Network
von: Si, Chenhao, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks and Extensions
von: Raissi, Maziar, et al.
Veröffentlicht: (2024)

PINNfluence: Influence Functions for Physics-Informed Neural Networks
von: Naujoks, Jonas R., et al.
Veröffentlicht: (2024)

Non-Invasive Reconstruction of Cardiac Activation Dynamics Using Physics-Informed Neural Networks
von: Dermul, Nathan, et al.
Veröffentlicht: (2026)

Data vs. Physics: The Apparent Pareto Front of Physics-Informed Neural Networks
von: Rohrhofer, Franz M., et al.
Veröffentlicht: (2021)

PBPK-iPINNs: Inverse Physics-Informed Neural Networks for Physiologically Based Pharmacokinetic Brain Models
von: Wickramasinghe, Charuka D., et al.
Veröffentlicht: (2025)

Physics-Guided Transformer (PGT): Physics-Aware Attention Mechanism for PINNs
von: Zeraatkar, Ehsan, et al.
Veröffentlicht: (2026)

Fourier Feature Pyramids for Physics-Informed Neural Networks
von: Zhao, Brandon, et al.
Veröffentlicht: (2026)

Physical Informed Neural Networks for modeling ocean pollutant
von: Battina, Karishma, et al.
Veröffentlicht: (2025)

Architectural Strategies for the optimization of Physics-Informed Neural Networks
von: Saratchandran, Hemanth, et al.
Veröffentlicht: (2024)

The Challenges of the Nonlinear Regime for Physics-Informed Neural Networks
von: Bonfanti, Andrea, et al.
Veröffentlicht: (2024)