Buchumschlag

Over-PINNs: Enhancing Physics-Informed Neural Networks via Higher-Order Partial Derivative Overdetermination of PDEs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Huo, Wenxuan, He, Qiang, Zhu, Gang, Huang, Weifeng
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

NewPINNs: Physics-Informing Neural Networks Using Conventional Solvers for Partial Differential Equations
von: Makki, Maedeh, et al.
Veröffentlicht: (2026)

Physics-Informed Neural Networks for Solving Derivative-Constrained PDEs
von: Hoshisashi, Kentaro, et al.
Veröffentlicht: (2026)

E-PINNs: Epistemic Physics-Informed Neural Networks
von: Jacob, Bruno, et al.
Veröffentlicht: (2025)

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

CP-PINNs: Data-Driven Changepoints Detection in PDEs Using Online Optimized Physics-Informed Neural Networks
von: Dong, Zhikang, et al.
Veröffentlicht: (2022)

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

SVD-PINNs: Transfer Learning of Physics-Informed Neural Networks via Singular Value Decomposition
von: Gao, Yihang, et al.
Veröffentlicht: (2022)

AQ-PINNs: Attention-Enhanced Quantum Physics-Informed Neural Networks for Carbon-Efficient Climate Modeling
von: Dutta, Siddhant, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks and Neural Operators for Parametric PDEs
von: Zhang, Zhuo, et al.
Veröffentlicht: (2025)

Mask-PINNs: Mitigating Internal Covariate Shift in Physics-Informed Neural Networks
von: Jiang, Feilong, et al.
Veröffentlicht: (2025)

Taylor-Model Physics-Informed Neural Networks (PINNs) for Ordinary Differential Equations
von: Nagesh, Chandra Kanth, 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)

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

MILP initialization for solving parabolic PDEs with PINNs
von: Li, Sirui, et al.
Veröffentlicht: (2025)

Partition of Unity Physics-Informed Neural Networks (POU-PINNs): An Unsupervised Framework for Physics-Informed Domain Decomposition and Mixtures of Experts
von: Rodriguez, Arturo, et al.
Veröffentlicht: (2024)

PINNsFormer: A Transformer-Based Framework For Physics-Informed Neural Networks
von: Zhao, Zhiyuan, et al.
Veröffentlicht: (2023)

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

Enhancing Customer Contact Efficiency with Graph Neural Networks in Credit Card Fraud Detection Workflow
von: Huo, Menghao, et al.
Veröffentlicht: (2025)

Adaptive Interface-PINNs (AdaI-PINNs): An Efficient Physics-informed Neural Networks Framework for Interface Problems
von: Roy, Sumanta, et al.
Veröffentlicht: (2024)

QCPINN: Quantum-Classical Physics-Informed Neural Networks for Solving PDEs
von: Farea, Afrah, et al.
Veröffentlicht: (2025)

Solving PDEs on Spheres with Physics-Informed Convolutional Neural Networks
von: Lei, Guanhang, et al.
Veröffentlicht: (2023)

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

Convergence Analysis of Natural Gradient Descent for Over-parameterized Physics-Informed Neural Networks
von: Xu, Xianliang, et al.
Veröffentlicht: (2024)

Unveiling the optimization process of Physics Informed Neural Networks: How accurate and competitive can PINNs be?
von: Urbán, Jorge F., et al.
Veröffentlicht: (2024)

Posterior Concentration of Bayesian Physics-Informed Neural Networks for Elliptic PDEs
von: Zhao, Yuxuan, et al.
Veröffentlicht: (2026)

Flow Field Reconstruction via Voronoi-Enhanced Physics-Informed Neural Networks with End-to-End Sensor Placement Optimization
von: Xiao, Renjie, et al.
Veröffentlicht: (2026)

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

A Quasilinear Algorithm for Computing Higher-Order Derivatives of Deep Feed-Forward Neural Networks
von: Chickering, Kyle R.
Veröffentlicht: (2024)

One-Shot Transfer Learning for Nonlinear PDEs with Perturbative PINNs
von: Auroy, Samuel, et al.
Veröffentlicht: (2025)

Separated-Variable Spectral Neural Networks: A Physics-Informed Learning Approach for High-Frequency PDEs
von: Xiong, Xiong, et al.
Veröffentlicht: (2025)

Spectral Higher-Order Neural Networks
von: Peri, Gianluca, et al.
Veröffentlicht: (2026)

Causal Operator Discovery in Partial Differential Equations via Counterfactual Physics-Informed Neural Networks
von: Katende, Ronald
Veröffentlicht: (2025)

High precision PINNs in unbounded domains: application to singularity formulation in PDEs
von: Wang, Yixuan, et al.
Veröffentlicht: (2025)

Deflation-PINNs: Learning Multiple Solutions for PDEs and Landau-de Gennes
von: Disarò, Sean, et al.
Veröffentlicht: (2026)

Topological Neural Networks: Mitigating the Bottlenecks of Graph Neural Networks via Higher-Order Interactions
von: Giusti, Lorenzo
Veröffentlicht: (2024)

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

Supervised and Unsupervised Neural Network Solver for First Order Hyperbolic Nonlinear PDEs
von: Baba, Zakaria, et al.
Veröffentlicht: (2026)

HyPINO: Multi-Physics Neural Operators via HyperPINNs and the Method of Manufactured Solutions
von: Bischof, Rafael, et al.
Veröffentlicht: (2025)

On the Convergence of Federated Averaging under Partial Participation for Over-parameterized Neural Networks
von: Liu, Xin, et al.
Veröffentlicht: (2023)

Physics-Informed Neural Networks with Unknown Partial Differential Equations: an Application in Multivariate Time Series
von: Mortezanejad, Seyedeh Azadeh Fallah, et al.
Veröffentlicht: (2025)