用于聚集动力学的物理信息神经网络

我们引入了一种新颖的物理信息方法来精确建模聚集动力学，该方法通过一次运行同时输出所有模型参数，从而提供全面的解决方案，这明显优于需要多次执行的传统的单输出网络。该方法有效地捕捉了大簇和小簇的密度分布，在预测小颗粒方面显示出显著改进，而小颗粒历来是计算模型中的挑战。该方法通过最小化物理信息损失函数作用的区间，允许在计算成本增加最小的情况下在长时间范围内进行高效计算，从而在求解Smoluchowski方程方面取得了计算效率和准确性的显著进步。由于对偏置或权重输出的预定义形状的独立性，它消除了对输出结构先验假设的依赖。此外，我们的物理信息框架与广义布朗核具有高度兼容性，对于这种先前未处理过的核类型保持了稳健的准确性。该框架的显著新颖性还在于用一个神经网络架构处理四种不同的核。因此，高计算效率与低误差相结合，表明其在长期预测和集成到更广泛的计算系统中具有巨大潜力。