Buchumschlag

Towards a Foundation Model for Physics-Informed Neural Networks: Multi-PDE Learning with Active Sampling

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Park, Keon Vin
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

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

Optimizing Portfolio Performance through Clustering and Sharpe Ratio-Based Optimization: A Comparative Backtesting Approach
von: Park, Keon Vin
Veröffentlicht: (2025)

SeqBattNet: A Discrete-State Physics-Informed Neural Network with Aging Adaptation for Battery Modeling
von: Tran, Khoa, et al.
Veröffentlicht: (2025)

Learning a Neural Solver for Parametric PDE to Enhance Physics-Informed Methods
von: Boudec, Lise Le, et al.
Veröffentlicht: (2024)

Learning PDE Solvers with Physics and Data: A Unifying View of Physics-Informed Neural Networks and Neural Operators
von: Dai, Yilong, et al.
Veröffentlicht: (2026)

Physics-Informed Neural Network Lyapunov Functions: PDE Characterization, Learning, and Verification
von: Liu, Jun, et al.
Veröffentlicht: (2023)

Variational Quantum Physics-Informed Neural Networks for Hydrological PDE-Constrained Learning with Inherent Uncertainty Quantification
von: Hewage, Prasad Nimantha Madusanka Ukwatta, et al.
Veröffentlicht: (2026)

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

SCNO: Spiking Compositional Neural Operator -- Towards a Neuromorphic Foundation Model for Nuclear PDE Solving
von: Roy, Samrendra, et al.
Veröffentlicht: (2026)

Moving Sampling Physics-informed Neural Networks induced by Moving Mesh PDE
von: Yang, Yu, et al.
Veröffentlicht: (2023)

Physics-Informed Neural PDE Solvers via Spatio-Temporal MeanFlow
von: Bai, Hanru, et al.
Veröffentlicht: (2026)

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

Active Learning for Neural PDE Solvers
von: Musekamp, Daniel, et al.
Veröffentlicht: (2024)

Efficient Global-Local Fusion Sampling for Physics-Informed Neural Networks
von: Luo, Jiaqi, et al.
Veröffentlicht: (2025)

FIMP: Foundation Model-Informed Message Passing for Graph Neural Networks
von: Rizvi, Syed Asad, et al.
Veröffentlicht: (2022)

Model Based and Physics Informed Deep Learning Neural Network Structures
von: Mohammad-Djafari, Ali, et al.
Veröffentlicht: (2024)

PINGS: Physics-Informed Neural Network for Fast Generative Sampling
von: Prasha, Achmad Ardani, et al.
Veröffentlicht: (2025)

Curiosity-Critic: Cumulative Prediction Error Improvement as a Tractable Intrinsic Reward for World Model Training
von: Bhaskara, Vin, et al.
Veröffentlicht: (2026)

Towards Foundation Model for Chemical Reactor Modeling: Meta-Learning with Physics-Informed Adaptation
von: Wang, Zihao, et al.
Veröffentlicht: (2024)

Error Analysis and Numerical Algorithm for PDE Approximation with Hidden-Layer Concatenated Physics Informed Neural Networks
von: Qian, Yianxia, et al.
Veröffentlicht: (2024)

Towards Universal Solvers: Using PGD Attack in Active Learning to Increase Generalizability of Neural Operators as Knowledge Distillation from Numerical PDE Solvers
von: Sun, Yifei
Veröffentlicht: (2025)

Leveraging Intermediate Representations of Time Series Foundation Models for Anomaly Detection
von: Han, Chan Sik, et al.
Veröffentlicht: (2025)

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

Axial Neural Networks for Dimension-Free Foundation Models
von: Kim, Hyunsu, et al.
Veröffentlicht: (2025)

Bayesian Physics-Informed Extreme Learning Machine for Forward and Inverse PDE Problems with Noisy Data
von: Liu, Xu, et al.
Veröffentlicht: (2022)

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

Stiff Transfer Learning for Physics-Informed Neural Networks
von: Seiler, Emilien, et al.
Veröffentlicht: (2025)

Statistical Learning Analysis of Physics-Informed Neural Networks
von: Barajas-Solano, David A.
Veröffentlicht: (2026)

Curriculum Learning of Physics-Informed Neural Networks based on Spatial Correlation
von: Chen, Xujia, et al.
Veröffentlicht: (2026)

Active In-Context Learning for Tabular Foundation Models
von: Treerath, Wilailuck, et al.
Veröffentlicht: (2026)

Towards Reasoning for PDE Foundation Models: A Reward-Model-Driven Inference-Time-Scaling Algorithm
von: Mansingh, Siddharth, et al.
Veröffentlicht: (2025)

Gradient-Informed Temporal Sampling Improves Rollout Accuracy in PDE Surrogate Training
von: Wang, Wenshuo, et al.
Veröffentlicht: (2026)

The Physics-Informed Neural Network Gravity Model: Generation III
von: Martin, John, et al.
Veröffentlicht: (2023)

Physics-Informed Machine Learning for Transformer Condition Monitoring -- Part II: Physics-Informed Neural Networks and Uncertainty Quantification
von: Aizpurua, Jose I.
Veröffentlicht: (2025)

ConFIG: Towards Conflict-free Training of Physics Informed Neural Networks
von: Liu, Qiang, et al.
Veröffentlicht: (2024)

Towards a Physics Foundation Model
von: Wiesner, Florian, et al.
Veröffentlicht: (2025)

Pre-Generating Multi-Difficulty PDE Data for Few-Shot Neural PDE Solvers
von: Choudhary, Naman, et al.
Veröffentlicht: (2025)

Number Theoretic Accelerated Learning of Physics-Informed Neural Networks
von: Matsubara, Takashi, et al.
Veröffentlicht: (2023)

ARC-STAR: Auditable Post-Hoc Correction for PDE Foundation Models
von: Li, Chengze, et al.
Veröffentlicht: (2026)

Adversarial Learning for Neural PDE Solvers with Sparse Data
von: Gong, Yunpeng, et al.
Veröffentlicht: (2024)