:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Huiwen, Ye, Feng, Ma, Chu
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	https://arxiv.org/abs/2603.02231
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Lightweight Geometric Adaptation for Training Physics-Informed Neural Networks
von: An, Kang, 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)

Hard-Constrained Neural Networks with Physics-Embedded Architecture for Residual Dynamics Learning and Invariant Enforcement in Cyber-Physical Systems
von: Spotorno, Enzo Nicolás, et al.
Veröffentlicht: (2025)

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

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

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

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

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

Physics-Informed Graph Neural Networks for Water Distribution Systems
von: Ashraf, Inaam, et al.
Veröffentlicht: (2024)

Improved Training of Physics-Informed Neural Networks with Model Ensembles
von: Haitsiukevich, Katsiaryna, et al.
Veröffentlicht: (2022)

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

Rethinking Input Domains in Physics-Informed Neural Networks via Geometric Compactification Mappings
von: Huang, Zhenzhen, et al.
Veröffentlicht: (2026)

Real-Time 2D Temperature Field Prediction in Metal Additive Manufacturing Using Physics-Informed Neural Networks
von: Sajadi, Pouyan, et al.
Veröffentlicht: (2024)

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

Physics-Informed Neural Network Surrogate Models for River Stage Prediction
von: Zoch, Maximilian, et al.
Veröffentlicht: (2025)

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

GINN-KAN: Interpretability pipelining with applications in Physics Informed Neural Networks
von: Ranasinghe, Nisal, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks for High-Frequency and Multi-Scale Problems using Transfer Learning
von: Mustajab, Abdul Hannan, et al.
Veröffentlicht: (2024)

Physics-Informed Neural ODEs with Scale-Aware Residuals for Learning Stiff Biophysical Dynamics
von: Kainth, Kamalpreet Singh, et al.
Veröffentlicht: (2025)

Drug Release Modeling using Physics-Informed Neural Networks
von: Qureshi, Daanish Aleem, et al.
Veröffentlicht: (2026)

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

Deep Neural Networks as Discrete Dynamical Systems: Implications for Physics-Informed Learning
von: Ganguly, Abhisek, et al.
Veröffentlicht: (2026)

iPINNER: An Iterative Physics-Informed Neural Network with Ensemble Kalman Filter
von: Lu, Binghang, et al.
Veröffentlicht: (2025)

Limitations of Physics-Informed Neural Networks: a Study on Smart Grid Surrogation
von: Cestero, Julen, et al.
Veröffentlicht: (2025)

PIMSM: Physics-Informed Multi-Scale Mamba for Stable Neural Representations under Distribution Shift
von: Bae, Sangyoon, et al.
Veröffentlicht: (2026)

Optimizing the Optimizer for Physics-Informed Neural Networks and Kolmogorov-Arnold Networks
von: Kiyani, Elham, et al.
Veröffentlicht: (2025)

Modelling of Underwater Vehicles using Physics-Informed Neural Networks with Control
von: Amer, Abdelhakim, et al.
Veröffentlicht: (2025)

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

Reconstructing Multi-Scale Physical Fields from Extremely Sparse Measurements with an Autoencoder-Diffusion Cascade
von: Yi, Letian, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks for Satellite State Estimation
von: Varey, Jacob, et al.
Veröffentlicht: (2024)

Meta-Inverse Physics-Informed Neural Networks for High-Dimensional Ordinary Differential Equations
von: Wei, Zhao, et al.
Veröffentlicht: (2026)

Modeling COVID-19 Dynamics in German States Using Physics-Informed Neural Networks
von: Rothenbeck, Phillip, et al.
Veröffentlicht: (2025)

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

PerFlow: Physics-Embedded Rectified Flow for Efficient Reconstruction and Uncertainty Quantification of Spatiotemporal Dynamics
von: Zhou, Hao, et al.
Veröffentlicht: (2026)

Learning Physics Informed Neural ODEs With Partial Measurements
von: Ghanem, Paul, et al.
Veröffentlicht: (2024)

Hybrid Adaptive Modeling in Process Monitoring: Leveraging Sequence Encoders and Physics-Informed Neural Networks
von: Elaarabi, Mouad, et al.
Veröffentlicht: (2025)

Fractional Differential Equation Physics-Informed Neural Network and Its Application in Battery State Estimation
von: Dang, Lujuan, et al.
Veröffentlicht: (2025)

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

TG-NAS: Generalizable Zero-Cost Proxies with Operator Description Embedding and Graph Learning for Efficient Neural Architecture Search
von: Qiao, Ye, et al.
Veröffentlicht: (2024)