Latent debt in PINNs with SIR Models: Dynamical Compensation and Topological Bottlenecks
Este artigo revela que as Redes Neurais Informadas pela Física (PINNs) aplicadas a modelos SIR sofrem de "dívida latente" durante fases iniciais de crescimento exponencial, onde um panorama de perda plano e de posto deficiente permite que a otimização minimize os resíduos ao distorcer estados latentes não observados e propagar erros, resultando, em última análise, em soluções numericamente precisas com estimativas de parâmetros fundamentalmente incorretas.