NSGA-PINN：一种用于物理信息神经网络训练的多目标优化方法
机器学习
2023-03-08 v2
摘要
本文提出 NSGA-PINN，一种用于物理信息神经网络（PINN）有效训练的多目标优化框架。该框架使用非支配排序遗传算法（NSGA-II）使传统随机梯度优化算法（如 ADAM）能有效逃离局部极小值。此外，NSGA-II 算法能在物理信息训练期间精确满足编码进损失函数的初始与边界条件。我们通过将 NSGA-PINN 应用于若干常微分方程与偏微分方程问题来展示框架的有效性。特别地，我们表明所提框架能处理带噪声数据的困难反问题。
引用
@article{arxiv.2303.02219,
title = {NSGA-PINN: A Multi-Objective Optimization Method for Physics-Informed Neural Network Training},
author = {Binghang Lu and Christian B. Moya and Guang Lin},
journal= {arXiv preprint arXiv:2303.02219},
year = {2023}
}
备注
13 pages, 35 figures