naPINN：基于噪声自适应的物理信息神经网络，用于从受污染测量中恢复物理
机器学习
2026-02-04 v1 人工智能
摘要
物理信息神经网络（Physics-Informed Neural Networks, PINNs）是解决逆问题和从观测数据中发现控制方程的有效方法，但其性能在复杂测量噪声和严重离群值的情况下会显著下降。为此，我们提出噪声自适应物理信息神经网络（naPINN），其能在无需先验知识的情况下，从受污染的测量中稳健地恢复物理解。naPINN将能量基模型嵌入训练循环，以学习预测残差的隐式分布。利用所学能量景观，naPINN会采用可训练的可靠性门来自适应地过滤表现出高能量的数据点，同时通过拒绝成本正则化防止有效数据被丢弃的平凡解。我们在各种带有非高斯噪声和不同离群值比例的偏微分方程基准测试中展示了naPINN的有效性。结果表明，naPINN显著优于现有的鲁棒PINN基线，成功隔离离群值，并在严重数据污染下准确重建动力学。
引用
@article{arxiv.2602.02547,
title = {naPINN: Noise-Adaptive Physics-Informed Neural Networks for Recovering Physics from Corrupted Measurement},
author = {Hankyeol Kim and Pilsung Kang},
journal= {arXiv preprint arXiv:2602.02547},
year = {2026}
}