xLSTM-PINN：基于记忆门控的谱特征重构用于物理信息学习
机器学习
2025-12-08 v2
摘要
物理信息神经网络 (PINN) 面临显著的谱偏置挑战，这会阻碍其建模高频现象的能力，并限制外推性能。为此，我们提出 xLSTM-PINN，这是一种通过记忆门控和残差微步骤进行表示级别谱特征重构的新型网络结构。我们的方法在四个多样化的偏微分方程 (PDE) 基准测试中，始终实现了显著降低的谱误差和均方根误差 (RMSE)，并拥有更宽的稳定学习率窗口。频域分析确认，xLSTM-PINN 提升了高频核权重，将可分辨带宽向右移动，并缩短了高波数分量的收敛时间。在不修改自动微分或物理损失约束的前提下，本工作为抑制谱偏置提供了一条稳健的路径，从而提高了物理信息学习中的精度、可重复性和可迁移性。
引用
@article{arxiv.2511.12512,
title = {xLSTM-PINN: Memory-Gated Spectral Remodeling for Physics-Informed Learning},
author = {Ze Tao and Darui Zhao and Fujun Liu and Ke Xu and Xiangsheng Hu},
journal= {arXiv preprint arXiv:2511.12512},
year = {2025}
}