Buchumschlag

Number Theoretic Accelerated Learning of Physics-Informed Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Matsubara, Takashi, Yaguchi, Takaharu
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Numerical Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Dual-Balancing for Physics-Informed Neural Networks
von: Zhou, Chenhong, et al.
Veröffentlicht: (2025)

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

Bayesian Physics Informed Neural Networks for Linear Inverse problems
von: Mohammad-Djafari, Ali
Veröffentlicht: (2025)

Transformed Physics-Informed Neural Networks for The Convection-Diffusion Equation
von: Guan, Jiajing, et al.
Veröffentlicht: (2024)

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

Physics-Informed Neural Networks with Trust-Region Sequential Quadratic Programming
von: Cheng, Xiaoran, et al.
Veröffentlicht: (2024)

An Overview on Machine Learning Methods for Partial Differential Equations: from Physics Informed Neural Networks to Deep Operator Learning
von: Gonon, Lukas, et al.
Veröffentlicht: (2024)

Learning from Integral Losses in Physics Informed Neural Networks
von: Saleh, Ehsan, et al.
Veröffentlicht: (2023)

Poisson-Dirac Neural Networks for Modeling Coupled Dynamical Systems across Domains
von: Khosrovian, Razmik Arman, et al.
Veröffentlicht: (2024)

Ensemble learning for Physics Informed Neural Networks: a Gradient Boosting approach
von: Fang, Zhiwei, et al.
Veröffentlicht: (2023)

eXtended Physics Informed Neural Network Method for Fracture Mechanics Problems
von: Lotfalian, Amin, et al.
Veröffentlicht: (2025)

A Conformal Prediction Framework for Uncertainty Quantification in Physics-Informed Neural Networks
von: Yu, Yifan, et al.
Veröffentlicht: (2025)

THINNs: Thermodynamically Informed Neural Networks
von: Castro, Javier, et al.
Veröffentlicht: (2025)

Solving Forward and Inverse Problems of Contact Mechanics using Physics-Informed Neural Networks
von: Sahin, T., et al.
Veröffentlicht: (2023)

Weak Physics Informed Neural Networks for Geometry Compatible Hyperbolic Conservation Laws on Manifolds
von: Zhou, Hanfei, et al.
Veröffentlicht: (2025)

Convergence of Stochastic Gradient Methods for Wide Two-Layer Physics-Informed Neural Networks
von: Jin, Bangti, et al.
Veröffentlicht: (2025)

Generalization Bounds for Physics-Informed Neural Networks for the Incompressible Navier-Stokes Equations
von: Andre-Sloan, Sebastien, et al.
Veröffentlicht: (2026)

Physics-Informed Geometry-Aware Neural Operator
von: Zhong, Weiheng, et al.
Veröffentlicht: (2024)

Causal Operator Discovery in Partial Differential Equations via Counterfactual Physics-Informed Neural Networks
von: Katende, Ronald
Veröffentlicht: (2025)

Data-Guided Physics-Informed Neural Networks for Solving Inverse Problems in Partial Differential Equations
von: Zhou, Wei, et al.
Veröffentlicht: (2024)

Numerical simulation of transient heat conduction with moving heat source using Physics Informed Neural Networks
von: Kalyan, Anirudh, et al.
Veröffentlicht: (2025)

From Simple to Complex: Curriculum-Guided Physics-Informed Neural Networks via Gaussian Mixture Models
von: Yang, Jianan, et al.
Veröffentlicht: (2026)

Learning Hamiltonian Density Using DeepONet
von: Xu, Baige, et al.
Veröffentlicht: (2025)

Non-Asymptotic Stability and Consistency Guarantees for Physics-Informed Neural Networks via Coercive Operator Analysis
von: Katende, Ronald
Veröffentlicht: (2025)

Solving PDEs on Spheres with Physics-Informed Convolutional Neural Networks
von: Lei, Guanhang, et al.
Veröffentlicht: (2023)

A Microstructure-based Graph Neural Network for Accelerating Multiscale Simulations
von: Storm, J., et al.
Veröffentlicht: (2024)

Scalable Bayesian Physics-Informed Kolmogorov-Arnold Networks
von: Gao, Zhiwei, et al.
Veröffentlicht: (2025)

SPIKANs: Separable Physics-Informed Kolmogorov-Arnold Networks
von: Jacob, Bruno, et al.
Veröffentlicht: (2024)

A Numerical Method for Coupling Parameterized Physics-Informed Neural Networks and FDM for Advanced Thermal-Hydraulic System Simulation
von: Shin, Jeesuk, et al.
Veröffentlicht: (2026)

Physics-Informed Neural Networks for High-Frequency and Multi-Scale Problems using Transfer Learning
von: Mustajab, Abdul Hannan, et al.
Veröffentlicht: (2024)

Quantifying Training Difficulty and Accelerating Convergence in Neural Network-Based PDE Solvers
von: Chen, Chuqi, et al.
Veröffentlicht: (2024)

Dual Cone Gradient Descent for Training Physics-Informed Neural Networks
von: Hwang, Youngsik, et al.
Veröffentlicht: (2024)

Discovering Scaling Exponents with Physics-Informed Müntz-Szász Networks
von: N'guessan, Gnankan Landry Regis, et al.
Veröffentlicht: (2026)

Examining the robustness of Physics-Informed Neural Networks to noise for Inverse Problems
von: Jekic, Aleksandra, et al.
Veröffentlicht: (2025)

Posterior Concentration of Bayesian Physics-Informed Neural Networks for Elliptic PDEs
von: Zhao, Yuxuan, et al.
Veröffentlicht: (2026)

Efficient Transformer-Inspired Variants of Physics-Informed Deep Operator Networks
von: Wei, Zhi-Feng, et al.
Veröffentlicht: (2025)

WINO: A Weak-Form Physics Informed Neural Operator for Hyperelasticity on Variable Domains
von: Zhu, Bokai, et al.
Veröffentlicht: (2026)

Energy Dissipation Preserving Physics Informed Neural Network for Allen-Cahn Equations
von: Kütük, Mustafa, et al.
Veröffentlicht: (2024)

AutoBalance: An Automatic Balancing Framework for Training Physics-Informed Neural Networks
von: An, Kang, et al.
Veröffentlicht: (2025)