Buchumschlag

Evidential Physics-Informed Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tan, Hai Siong, Wang, Kuancheng, McBeth, Rafe
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Deep Evidential Learning for Radiotherapy Dose Prediction
von: Tan, Hai Siong, et al.
Veröffentlicht: (2024)

Uncertainty-Error correlations in Evidential Deep Learning models for biomedical segmentation
von: Tan, Hai Siong, et al.
Veröffentlicht: (2024)

Uncertainty quantification in neural network-based glucose prediction for diabetes
von: Tan, Hai Siong, et al.
Veröffentlicht: (2026)

Inferring Cosmological Parameters with Evidential Physics-Informed Neural Networks
von: Tan, Hai Siong
Veröffentlicht: (2025)

From Generalist to Specialist: Improving Large Language Models for Medical Physics Using ARCoT
von: Grandinetti, Jace, et al.
Veröffentlicht: (2024)

DiffGrad for Physics-Informed Neural Networks
von: Rahman, Jamshaid Ul, et al.
Veröffentlicht: (2024)

Leveraging Influence Functions for Resampling Data in Physics-Informed Neural Networks
von: Naujoks, Jonas R., et al.
Veröffentlicht: (2025)

Swin UNETR++: Advancing Transformer-Based Dense Dose Prediction Towards Fully Automated Radiation Oncology Treatments
von: Wang, Kuancheng, et al.
Veröffentlicht: (2023)

Physics-Informed Neural Network based Damage Identification for Truss Railroad Bridges
von: Shajihan, Althaf, et al.
Veröffentlicht: (2025)

But what is your honest answer? Aiding LLM-judges with honest alternatives using steering vectors
von: Eshuijs, Leon, et al.
Veröffentlicht: (2025)

Improved Uncertainty Quantification in Physics-Informed Neural Networks Using Error Bounds and Solution Bundles
von: Flores, Pablo, et al.
Veröffentlicht: (2025)

Supervised Metric Regularization Through Alternating Optimization for Multi-Regime Physics-Informed Neural Networks
von: Spotorno, Enzo Nicolas, et al.
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)

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

Comparative Study of Bending Analysis using Physics-Informed Neural Networks and Numerical Dynamic Deflection in Perforated nanobeam
von: Garai, Ramanath, et al.
Veröffentlicht: (2026)

Error Bounds for Physics-Informed Neural Networks in Fokker-Planck PDEs
von: Kong, Chun-Wei, et al.
Veröffentlicht: (2024)

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

Evidential Neural Radiance Fields
von: Duan, Ruxiao, et al.
Veröffentlicht: (2026)

Physics-Informed Graph Neural Networks to Reconstruct Local Fields Considering Finite Strain Hyperelasticity
von: Garban, Manuel Ricardo Guevara, et al.
Veröffentlicht: (2025)

Gradient Alignment in Physics-informed Neural Networks: A Second-Order Optimization Perspective
von: Wang, Sifan, et al.
Veröffentlicht: (2025)

Empirical Stability Analysis of Kolmogorov-Arnold Networks in Hard-Constrained Recurrent Physics-Informed Discovery
von: Spotorno, Enzo Nicolas, et al.
Veröffentlicht: (2026)

Scale-PINN: Learning Efficient Physics-Informed Neural Networks Through Sequential Correction
von: Chiu, Pao-Hsiung, et al.
Veröffentlicht: (2026)

Calibrated Physics-Informed Uncertainty Quantification
von: Gopakumar, Vignesh, et al.
Veröffentlicht: (2025)

Spectral Informed Neural Network: An Efficient and Low-Memory PINN
von: Yu, Tianchi, et al.
Veröffentlicht: (2024)

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

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

Physics-Informed Neural Systems for the Simulation of EUV Electromagnetic Wave Diffraction from a Lithography Mask
von: Es'kin, Vasiliy A., et al.
Veröffentlicht: (2026)

Exploring UMAP in hybrid models of entropy-based and representativeness sampling for active learning in biomedical segmentation
von: Tan, H. S., et al.
Veröffentlicht: (2023)

Evidential Transformation Network: Turning Pretrained Models into Evidential Models for Post-hoc Uncertainty Estimation
von: Chun, Yongchan, et al.
Veröffentlicht: (2026)

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)

Equivariant Evidential Deep Learning for Interatomic Potentials
von: Wang, Zhongyao, et al.
Veröffentlicht: (2026)

Physics-Informed Neural Networks for Radial Consolidation of Combined Electroosmotic, Vacuum and Surcharge Preloading Considering Smear Effects
von: Li, Dong, et al.
Veröffentlicht: (2026)

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

Element-wise Multiplication Based Deeper Physics-Informed Neural Networks
von: Jiang, Feilong, et al.
Veröffentlicht: (2024)

Query-Conditioned Evidential Keyframe Sampling for MLLM-Based Long-Form Video Understanding
von: Wang, Yiheng, et al.
Veröffentlicht: (2026)

Densely Multiplied Physics Informed Neural Networks
von: Jiang, Feilong, et al.
Veröffentlicht: (2024)

Electron-Informed Coarse-Graining Molecular Representation Learning for Real-World Molecular Physics
von: Na, Gyoung S., et al.
Veröffentlicht: (2026)

Physics Steering: Causal Control of Cross-Domain Concepts in a Physics Foundation Model
von: Fear, Rio Alexa, et al.
Veröffentlicht: (2025)