Exact Boundary Enforcement Along Implicit Geometries for Physics-Informed, Deep Learning Problems in Continuum Mechanics
Dit artikel onderzoekt de impact van soft versus hard boundary enforcement technieken op de nauwkeurigheid en trainingsefficiëntie van physics-informed neural networks (PINNs) voor elastodynamische problemen, waarbij wordt aangetoond dat hoewel harde handhaving van randvoorwaarden op impliciete geometrieën de runtime vermindert, dit vaak ten koste gaat van de nauwkeurigheid van de oplossing in vergelijking met soft handhaving.