清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Physics-informed kernel function neural networks for solving partial differential equations

人工神经网络 偏微分方程 核(代数) 水准点(测量) 应用数学 激活函数 功能(生物学) 非线性系统 径向基函数 微分方程 计算机科学 数学 人工智能 数学分析 物理 离散数学 大地测量学 进化生物学 生物 地理 量子力学
作者
Zhuojia Fu,Wenzhi Xu,Shuainan Liu
出处
期刊:Neural Networks [Elsevier BV]
卷期号:172: 106098-106098 被引量:102
标识
DOI:10.1016/j.neunet.2024.106098
摘要

This paper proposes an improved version of physics-informed neural networks (PINNs), the physics-informed kernel function neural networks (PIKFNNs), to solve various linear and some specific nonlinear partial differential equations (PDEs). It can also be considered as a novel radial basis function neural network (RBFNN). In the proposed PIKFNNs, it employs one-hidden-layer shallow neural network with the physics-informed kernel functions (PIKFs) as the customized activation functions. The PIKFs fully or partially contain PDE information, which can be chosen as fundamental solutions, green's functions, T-complete functions, harmonic functions, radial Trefftz functions, probability density functions and even the solutions of some linear simplified PDEs and so on. The main difference between the PINNs and the proposed PIKFNNs is that the PINNs add PDE constraints to the loss function, and the proposed PIKFNNs embed PDE information into the activation functions of the neural network. The feasibility and accuracy of the proposed PIKFNNs are validated by some benchmark examples.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
自觉的孤兰完成签到,获得积分10
1秒前
诺亚方舟哇哈哈完成签到 ,获得积分0
4秒前
13秒前
小红书求接接接接一篇完成签到,获得积分10
19秒前
系统昵称完成签到,获得积分10
19秒前
朴实乐天完成签到,获得积分10
30秒前
HelloBOB完成签到 ,获得积分10
31秒前
37秒前
俭朴竺完成签到,获得积分10
43秒前
liangyao完成签到,获得积分20
45秒前
Tardes关注了科研通微信公众号
51秒前
53秒前
朴实惜寒完成签到,获得积分10
1分钟前
11完成签到 ,获得积分10
1分钟前
1分钟前
king完成签到 ,获得积分10
1分钟前
wsj完成签到 ,获得积分10
1分钟前
Tardes发布了新的文献求助10
1分钟前
ss完成签到,获得积分10
1分钟前
甜美的梦芝完成签到,获得积分10
1分钟前
西瓜柠檬可乐完成签到 ,获得积分10
1分钟前
李煜琛完成签到 ,获得积分10
1分钟前
悦耳的竺完成签到 ,获得积分10
1分钟前
搜集达人的应助被冲冲冲采纳,获得10
1分钟前
大力的安阳完成签到 ,获得积分10
1分钟前
无花果的应助被ZLPY采纳,获得30
1分钟前
1分钟前
1分钟前
刘亚梅完成签到 ,获得积分10
1分钟前
醉熏的小凡完成签到,获得积分10
1分钟前
冲冲冲发布了新的文献求助10
1分钟前
apt完成签到 ,获得积分10
1分钟前
2分钟前
忧伤的白秋完成签到,获得积分10
2分钟前
2分钟前
lx完成签到 ,获得积分10
2分钟前
天天快乐的应助被hilufite采纳,获得10
2分钟前
nhzz2023完成签到 ,获得积分10
2分钟前
和谐如彤完成签到,获得积分10
2分钟前
nanjing01完成签到 ,获得积分10
2分钟前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
八旗制度の研究 600
plantTFDB 508
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8173230
求助须知:如何正确求助?哪些是违规求助? 9565593
关于积分的说明 21780536
捐赠科研通 7767429
什么是DOI,文献DOI怎么找? 3431542
关于科研通互助平台的介绍 2555764
邀请新用户注册赠送积分活动 2476697