跳到正文
热点事件持续更新

坐标变换PINN提升PDE求解精度

1 篇报道1 个报道来源12 小时前更新

先了解这件事

AI 综述

2026年11月9日，arXiv人工智能板块刊出研究，Tianchi Yu与Ivan Oseledets提出坐标变换物理信息神经网络（CTPINNs）。该方法引入可学习坐标变换，把物理域映射到解近似仿射的计算域，以缓解PINNs在锐梯度解上的优化困难与谱偏置。变换有两种构造：基于Majorants的显式构造，以及基于可逆神经网络的隐式构造。报道称，显式构造在存在显式坐标变换的PDE上提升精度；隐式构造可作为插件模块与其他先进PINN模型结合，在多个困难PDE基准上改善性能。目前该工作以预印本形式发布，尚无同行评审或独立复现信息。

AI 根据报道生成 · 12 小时前更新

最新进展11月9日 13:00
基于坐标变换的物理信息神经网络解梯度均匀化

报道时间线

沿着报道，了解事件的不同侧面。

11月9日
  1. arXiv Artificial Intelligence
    基于坐标变换的物理信息神经网络解梯度均匀化

    研究者提出坐标变换物理信息神经网络（CTPINNs），用可学习坐标变换把物理域映射到解近似仿射的计算域，以缓解 PINNs 在锐梯度解上的优化困难与谱偏置。变换有两种构造：基于 Majorants 的显式构造，以及基于可逆神经网络的隐式构造。显式构造在存在显式坐标变换的 PDE 上提升精度，隐式构造可作为插件模块与其他先进 PINN 模型结合，在多个困难 PDE 基准上改善性能。

本事件热度走势

可比范围当前
7
可比范围峰值
1011月9日 14:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。