Buchumschlag

ProPINN: Demystifying Propagation Failures in Physics-Informed Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wu, Haixu, Ma, Yuezhou, Zhou, Hang, Weng, Huikun, Wang, Jianmin, Long, Mingsheng
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

PhySense: Sensor Placement Optimization for Accurate Physics Sensing
von: Ma, Yuezhou, et al.
Veröffentlicht: (2025)

Transolver-3: Scaling Up Transformer Solvers to Industrial-Scale Geometries
von: Zhou, Hang, et al.
Veröffentlicht: (2026)

Unisolver: PDE-Conditional Transformers Towards Universal Neural PDE Solvers
von: Zhou, Hang, et al.
Veröffentlicht: (2024)

HelmFluid: Learning Helmholtz Dynamics for Interpretable Fluid Prediction
von: Xing, Lanxiang, et al.
Veröffentlicht: (2023)

FlashBias: Fast Computation of Attention with Bias
von: Wu, Haixu, et al.
Veröffentlicht: (2025)

Brep2Shape: Boundary and Shape Representation Alignment via Self-Supervised Transformers
von: Sun, Yuanxu, et al.
Veröffentlicht: (2026)

Transolver++: An Accurate Neural Solver for PDEs on Million-Scale Geometries
von: Luo, Huakun, et al.
Veröffentlicht: (2025)

Transolver: A Fast Transformer Solver for PDEs on General Geometries
von: Wu, Haixu, et al.
Veröffentlicht: (2024)

Exploring Accuracy Law for Deep Time Series Forecasters: An Empirical Study
von: Wang, Yuxuan, et al.
Veröffentlicht: (2025)

Metadata Matters for Time Series: Informative Forecasting with Transformers
von: Dong, Jiaxiang, et al.
Veröffentlicht: (2024)

Deep Time Series Models: A Comprehensive Survey and Benchmark
von: Wang, Yuxuan, et al.
Veröffentlicht: (2024)

TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling
von: Dong, Jiaxiang, et al.
Veröffentlicht: (2024)

DeepLag: Discovering Deep Lagrangian Dynamics for Intuitive Fluid Prediction
von: Ma, Qilong, et al.
Veröffentlicht: (2024)

RBF-PINN: Non-Fourier Positional Embedding in Physics-Informed Neural Networks
von: Zeng, Chengxi, et al.
Veröffentlicht: (2024)

Probabilistic Functional Neural Networks
von: Wang, Haixu, et al.
Veröffentlicht: (2025)

EV-PINN: A Physics-Informed Neural Network for Predicting Electric Vehicle Dynamics
von: Lim, Hansol, et al.
Veröffentlicht: (2024)

SGM-PINN: Sampling Graphical Models for Faster Training of Physics-Informed Neural Networks
von: Anticev, John, et al.
Veröffentlicht: (2024)

PINN-BO: A Black-box Optimization Algorithm using Physics-Informed Neural Networks
von: Phan-Trong, Dat, et al.
Veröffentlicht: (2024)

iTransformer: Inverted Transformers Are Effective for Time Series Forecasting
von: Liu, Yong, et al.
Veröffentlicht: (2023)

GeoPT: Scaling Physics Simulation via Lifted Geometric Pre-Training
von: Wu, Haixu, et al.
Veröffentlicht: (2026)

A Physics Informed Neural Network (PINN) Methodology for Coupled Moving Boundary PDEs
von: Kathane, Shivprasad, et al.
Veröffentlicht: (2024)

MP-PINN: A Multi-Phase Physics-Informed Neural Network for Epidemic Forecasting
von: Nguyen, Thang, et al.
Veröffentlicht: (2024)

TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables
von: Wang, Yuxuan, et al.
Veröffentlicht: (2024)

$PINN - a Domain Decomposition Method for Bayesian Physics-Informed Neural Networks
von: Figueres, Júlia Vicens, et al.
Veröffentlicht: (2025)

naPINN: Noise-Adaptive Physics-Informed Neural Networks for Recovering Physics from Corrupted Measurement
von: Kim, Hankyeol, et al.
Veröffentlicht: (2026)

Damper-B-PINN: Damper Characteristics-Based Bayesian Physics-Informed Neural Network for Vehicle State Estimation
von: Zeng, Tianyi, et al.
Veröffentlicht: (2025)

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

MUSA-PINN: Multi-scale Weak-form Physics-Informed Neural Networks for Fluid Flow in Complex Geometries
von: Zhang, Weizheng, et al.
Veröffentlicht: (2026)

Evolutionary Optimization of Physics-Informed Neural Networks: Evo-PINN Frontiers and Opportunities
von: Wong, Jian Cheng, et al.
Veröffentlicht: (2025)

PINN-FEM: A Hybrid Approach for Enforcing Dirichlet Boundary Conditions in Physics-Informed Neural Networks
von: Sobh, Nahil, et al.
Veröffentlicht: (2025)

LT-PINN: Lagrangian Topology-conscious Physics-informed Neural Network for Boundary-focused Engineering Optimization
von: Zhou, Yuanye, et al.
Veröffentlicht: (2025)

CompilerDream: Learning a Compiler World Model for General Code Optimization
von: Deng, Chaoyi, et al.
Veröffentlicht: (2024)

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

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

NNN: Next-Generation Neural Networks for Marketing Measurement
von: Mulc, Thomas, et al.
Veröffentlicht: (2025)

Scalable Back-Propagation-Free Training of Optical Physics-Informed Neural Networks
von: Zhao, Yequan, et al.
Veröffentlicht: (2025)

Label Propagation Training Schemes for Physics-Informed Neural Networks and Gaussian Processes
von: Zhong, Ming, et al.
Veröffentlicht: (2024)

Timer-XL: Long-Context Transformers for Unified Time Series Forecasting
von: Liu, Yong, et al.
Veröffentlicht: (2024)

AL-PINN: Active Learning-Driven Physics-Informed Neural Networks for Efficient Sample Selection in Solving Partial Differential Equations
von: Park, Keon Vin
Veröffentlicht: (2025)