Multi-Fidelity Physics-Informed Neural Networks with Bayesian Uncertainty Quantification and Adaptive Residual Learning for Efficient Solution of Parametric Partial Differential Equations
Dit artikel introduceert MF-BPINN, een nieuw multi-fidelity framework dat Bayesiaanse onzekerheidskwantificering en adaptief residu-leren integreert om parametrische partiële differentiaalvergelijkingen efficiënt op te lossen door schaarse high-fidelity data synergetisch te combineren met overvloedige low-fidelity simulaties.