Complementary, Not Cumulative: Interaction Effects in Physics-Informed Neural Networks for Navier-Stokes Vortex Shedding
Diese Arbeit zeigt auf, dass, während einzelne Techniken oft daran scheitern, Physics-Informed Neural Networks (PINNs) für instationäre Navier-Stokes-Strömungen zu verbessern, eine spezifische komplementäre Kombination aus periodischen Aktivierungen und kausaler Gewichtung eine hohe Genauigkeit erreicht, wohingegen das Hinzufügen weiterer Methoden zu einer katastrophalen Leistungsverschlechterung führt, was beweist, dass PINN-Interventionen nicht kumulativ, sondern nichtlinear interagieren.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.