Buchumschlag

Physics-Informed Neural Networks: Minimizing Residual Loss with Wide Networks and Effective Activations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Dashtbayaz, Nima Hosseini, Farhani, Ghazal, Wang, Boyu, Ling, Charles X.
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

Physics-informed Reduced Order Modeling of Time-dependent PDEs via Differentiable Solvers
von: Dashtbayaz, Nima Hosseini, et al.
Veröffentlicht: (2025)

Fair Dataset Distillation via Cross-Group Barycenter Alignment
von: Moslemi, Mohammad Hossein, et al.
Veröffentlicht: (2026)

On the Benefits of Attribute-Driven Graph Domain Adaptation
von: Fang, Ruiyi, et al.
Veröffentlicht: (2025)

Bayesian Uncertainty Quantification with Anchored Ensembles for Robust EV Power Consumption Prediction
von: Farhani, Ghazal, et al.
Veröffentlicht: (2025)

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

Utilizing Graph Neural Networks for Effective Link Prediction in Microservice Architectures
von: Khodabandeh, Ghazal, et al.
Veröffentlicht: (2025)

Per-Loss Adapters for Gradient Conflict in Physics-Informed Neural Networks
von: Kim, Bum Jun, et al.
Veröffentlicht: (2026)

Stabilized Adaptive Loss and Residual-Based Collocation for Physics-Informed Neural Networks
von: Singh, Divyavardhan, et al.
Veröffentlicht: (2026)

Physics-Informed Neural Networks for Joint Source and Parameter Estimation in Advection-Diffusion Equations
von: Anague, Brenda, et al.
Veröffentlicht: (2025)

Dissipative Latent Residual Physics-Informed Neural Networks for Modeling and Identification of Electromechanical Systems
von: Long, Youyuan, et al.
Veröffentlicht: (2026)

Exploring Physics-Informed Neural Networks for Crop Yield Loss Forecasting
von: Miranda, Miro, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks with Learnable Loss Balancing and Transfer Learning
von: Pirayeshshirazinezhad, Reza
Veröffentlicht: (2026)

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

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

Neural Tangent Kernel of Neural Networks with Loss Informed by Differential Operators
von: Gan, Weiye, et al.
Veröffentlicht: (2025)

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

Physical Activation Functions (PAFs): An Approach for More Efficient Induction of Physics into Physics-Informed Neural Networks (PINNs)
von: Abbasi, Jassem, et al.
Veröffentlicht: (2022)

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

Beyond ReLU: How Activations Affect Neural Kernels and Random Wide Networks
von: Holzmüller, David, et al.
Veröffentlicht: (2025)

Lorentzian Residual Neural Networks
von: He, Neil, et al.
Veröffentlicht: (2024)

RI-Loss: A Learnable Residual-Informed Loss for Time Series Forecasting
von: Wang, Jieting, et al.
Veröffentlicht: (2025)

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

Deep Learning-Based Analysis of Power Consumption in Gasoline, Electric, and Hybrid Vehicles
von: Yahyaabadi, Roksana, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Network for Predicting Out-of-Training-Range TCAD Solution with Minimized Domain Expertise
von: Lu, Albert, et al.
Veröffentlicht: (2024)

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

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

The Loss Surfaces of Neural Networks with General Activation Functions
von: Baskerville, Nicholas P., et al.
Veröffentlicht: (2020)

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

Impact of Loss Weight and Model Complexity on Physics-Informed Neural Networks for Computational Fluid Dynamics
von: Chou, Yi En, et al.
Veröffentlicht: (2025)

Evidential Physics-Informed Neural Networks
von: Tan, Hai Siong, et al.
Veröffentlicht: (2025)

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

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

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

Perception-Informed Neural Networks: Beyond Physics-Informed Neural Networks
von: Mazandarani, Mehran, et al.
Veröffentlicht: (2025)

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

RoPINN: Region Optimized Physics-Informed Neural Networks
von: Wu, Haixu, et al.
Veröffentlicht: (2024)

Residual Random Neural Networks
von: Andrecut, M.
Veröffentlicht: (2024)

Loss Patterns of Neural Networks
von: Skorokhodov, Ivan, et al.
Veröffentlicht: (2019)

Guaranteeing Conservation of Integrals with Projection in Physics-Informed Neural Networks
von: Baez, Anthony, et al.
Veröffentlicht: (2025)

Residual-loss Anomaly Analysis of Physics-Informed Neural Networks: An Inverse Method for Change-point Detection in Nonlinear Dynamical Systems with Regime Switching
von: Bai, Yuhe, et al.
Veröffentlicht: (2026)