一种基于课程训练策略在物理信息神经网络训练中分布配置点的方法
机器学习
2022-11-23 v2 等离子体物理
摘要
物理信息神经网络（PINNs）的损失函数中常包含基于物理方程与导数的项。为评估这些项，需使用配置点分布对输出解进行采样。然而，在训练期间域内配置点数量递增的基于密度的策略，难以良好扩展到多维空间。为补救此问题，我们在此提出一种基于课程训练的方法，用于网络训练期间的轻量配置点分布。我们将该方法应用于一个 PINN，其从基线 MHD 仿真获取的部分样本中恢复完整的二维磁流体动力学（MHD）解。我们发现，课程配置点策略显著减少了训练时间，同时提升了重构解的质量。
引用
@article{arxiv.2211.11396,
title = {A Curriculum-Training-Based Strategy for Distributing Collocation Points during Physics-Informed Neural Network Training},
author = {Marcus Münzer and Chris Bard},
journal= {arXiv preprint arXiv:2211.11396},
year = {2022}
}