Complementary, Not Cumulative: Interaction Effects in Physics-Informed Neural Networks for Navier-Stokes Vortex Shedding
Dit artikel toont aan dat hoewel individuele technieken vaak falen in het verbeteren van Physics-Informed Neural Networks (PINNs) voor ongestageerde Navier-Stokes-stromingen, een specifieke complementaire combinatie van periodieke activaties en causale weging een hoge nauwkeurigheid bereikt, terwijl het toevoegen van verdere methoden leidt tot catastrofale prestatieafname, wat bewijst dat interventies in PINNs niet cumulatief maar nietlineair met elkaar interageren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.