通过交替易难训练实现更一致的PINN准确性
机器学习
2025-12-22 v1 人工智能
摘要
物理信息神经网络（PINN）最近作为求解偏微分方程（PDE）的热门范式，但其训练策略仍未得到充分探索。虽然受有限元方法启发的硬优先级方法广泛采用，但近期研究表明易优先级方法同样有效。然而，我们发现两种方法都存在显著权衡且在不同PDE类型下表现不一致。为此，我们开发一种混合策略，通过交替训练算法结合硬软优先级的优势。在具有陡峭梯度、非线性和高维度的PDE上，本方法实现了持续高准确性，相对L2误差大多在到范围，显著优于基线方法。此外，它在 diverse problems 中更可靠，而比较方法常因PDE而异地表现波动。本工作为设计增强PINN性能和鲁棒性的混合训练策略提供了新见解。
引用
@article{arxiv.2512.17607,
title = {More Consistent Accuracy PINN via Alternating Easy-Hard Training},
author = {Zhaoqian Gao and Min Yanga},
journal= {arXiv preprint arXiv:2512.17607},
year = {2025}
}