🤖 machine learning
Complementary, Not Cumulative: Interaction Effects in Physics-Informed Neural Networks for Navier-Stokes Vortex Shedding
تُثبت هذه الورقة أنه بينما تفشل التقنيات الفردية غالباً في تحسين الشبكات العصبية المستنيرة بالفيزياء (PINNs) لتدفقات نافيير-ستوكس غير المستقرة، فإن مزيجاً تكميلياً محدداً من التنشيطات الدورية والوزن السببي يحقق دقة عالية، في حين يؤدي إضافة المزيد من الأساليب إلى تدهور كارثي في الأداء، مما يثبت أن تدخلات الشبكات العصبية المستنيرة بالفيزياء تتفاعل بشكل غير خطي بدلاً من أن تكون تراكمية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.