Multi-Fidelity Physics-Informed Neural Networks with Bayesian Uncertainty Quantification and Adaptive Residual Learning for Efficient Solution of Parametric Partial Differential Equations
Dieses Paper stellt MF-BPINN vor, ein neuartiges Multi-Fidelity-Framework, das Bayessche Unsicherheitsquantifizierung und adaptives Residuenlernen integriert, um parametrische partielle Differentialgleichungen durch die synergistische Kombination von spärlichen High-Fidelity-Daten mit reichlich vorhandenen Low-Fidelity-Simulationen effizient zu lösen.