Buchumschlag

Physics-informed Neural Networks for Encoding Dynamics in Real Physical Systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Alsharif, Hamza
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Coordinate Encoding on Linear Grids for Physics-Informed Neural Networks
von: Tsuchino, Tetsuro, et al.
Veröffentlicht: (2026)

PDE-aware Optimizer for Physics-informed Neural Networks
von: Churiwala, Vismay, et al.
Veröffentlicht: (2025)

Physics-informed Neural Networks with Unknown Measurement Noise
von: Pilar, Philipp, et al.
Veröffentlicht: (2022)

Physics-guided Neural Network-based Shaft Power Prediction for Vessels
von: Altan, Dogan, et al.
Veröffentlicht: (2025)

Physics Encoded Blocks in Residual Neural Network Architectures for Digital Twin Models
von: Zia, Muhammad Saad, et al.
Veröffentlicht: (2024)

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

Repulsive Ensembles for Bayesian Inference in Physics-informed Neural Networks
von: Pilar, Philipp, et al.
Veröffentlicht: (2025)

Domain-decoupled Physics-informed Neural Networks with Closed-form Gradients for Fast Model Learning of Dynamical Systems
von: Krauss, Henrik, et al.
Veröffentlicht: (2024)

Adaptive Physics-informed Neural Networks: A Survey
von: Torres, Edgar, et al.
Veröffentlicht: (2025)

Deep NURBS -- Admissible Physics-informed Neural Networks
von: Saidaoui, Hamed, et al.
Veröffentlicht: (2022)

Enriched Physics-informed Neural Networks for Dynamic Poisson-Nernst-Planck Systems
von: Huang, Xujia, et al.
Veröffentlicht: (2024)

Quasi-Random Physics-informed Neural Networks
von: Yu, Tianchi, et al.
Veröffentlicht: (2025)

Physics-informed Convolutional Neural Network for Microgrid Economic Dispatch
von: Ge, Xiaoyu, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Nets for Control of Dynamical Systems
von: Antonelo, Eric Aislan, et al.
Veröffentlicht: (2021)

Provably Accurate Adaptive Sampling for Collocation Points in Physics-informed Neural Networks
von: Caradot, Antoine, et al.
Veröffentlicht: (2025)

RBF-MGN:Solving spatiotemporal PDEs with Physics-informed Graph Neural Network
von: Xiang, Zixue, et al.
Veröffentlicht: (2022)

Response Estimation and System Identification of Dynamical Systems via Physics-Informed Neural Networks
von: Haywood-Alexander, Marcus, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks for Dynamic Process Operations with Limited Physical Knowledge and Data
von: Velioglu, Mehmet, et al.
Veröffentlicht: (2024)

Parameterized Physics-informed Neural Networks for Parameterized PDEs
von: Cho, Woojin, et al.
Veröffentlicht: (2024)

Deep Neural Networks as Discrete Dynamical Systems: Implications for Physics-Informed Learning
von: Ganguly, Abhisek, et al.
Veröffentlicht: (2026)

Solving Heterogeneous Agent Models with Physics-informed Neural Networks
von: Grzeskiewicz, Marta
Veröffentlicht: (2025)

Uncertainty-aware Physics-informed Neural Networks for Robust CARS-to-Raman Signal Reconstruction
von: Venkataramanan, Aishwarya, et al.
Veröffentlicht: (2025)

Inverse Evolution Layers: Physics-informed Regularizers for Deep Neural Networks
von: Liu, Chaoyu, et al.
Veröffentlicht: (2023)

Physics-Informed Graph Neural Network for Dynamic Reconfiguration of Power Systems
von: Authier, Jules, et al.
Veröffentlicht: (2023)

Integrating Physics and Topology in Neural Networks for Learning Rigid Body Dynamics
von: Wei, Amaury, et al.
Veröffentlicht: (2024)

Riemann Tensor Neural Networks: Learning Conservative Systems with Physics-Constrained Networks
von: Jnini, Anas, et al.
Veröffentlicht: (2025)

Hard-Constrained Neural Networks with Physics-Embedded Architecture for Residual Dynamics Learning and Invariant Enforcement in Cyber-Physical Systems
von: Spotorno, Enzo Nicolás, et al.
Veröffentlicht: (2025)

An Imbalanced Learning-based Sampling Method for Physics-informed Neural Networks
von: Luo, Jiaqi, et al.
Veröffentlicht: (2025)

DUALFloodGNN: Physics-informed Graph Neural Network for Operational Flood Modeling
von: Acosta, Carlo Malapad, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Network Frameworks for the Analysis of Engineering and Biological Dynamical Systems Governed by Ordinary Differential Equations
von: Whitman, Tyrus, et al.
Veröffentlicht: (2025)

Verifying Physics-Informed Neural Network Fidelity using Classical Fisher Information from Differentiable Dynamical System
von: Filho, Josafat Ribeiro Leal, et al.
Veröffentlicht: (2026)

Understanding the Capabilities of Molecular Graph Neural Networks in Materials Science Through Multimodal Learning and Physical Context Encoding
von: Polat, Can, et al.
Veröffentlicht: (2025)

Physics-informed Neural Motion Planning on Constraint Manifolds
von: Ni, Ruiqi, et al.
Veröffentlicht: (2024)

Learning Efficient Positional Encodings with Graph Neural Networks
von: Kanatsoulis, Charilaos I., et al.
Veröffentlicht: (2025)

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

Physics-informed Partitioned Coupled Neural Operator for Complex Networks
von: Wu, Weidong, et al.
Veröffentlicht: (2024)

Simulating Three-dimensional Turbulence with Physics-informed Neural Networks
von: Wang, Sifan, et al.
Veröffentlicht: (2025)

Physics-informed State-space Neural Networks for Transport Phenomena
von: Dave, Akshay J., et al.
Veröffentlicht: (2023)

PINNSim: A Simulator for Power System Dynamics based on Physics-Informed Neural Networks
von: Stiasny, Jochen, et al.
Veröffentlicht: (2023)

PINN-Obs: Physics-Informed Neural Network-Based Observer for Nonlinear Dynamical Systems
von: Farkane, Ayoub, et al.
Veröffentlicht: (2025)