互补而非累加：用于 Navier-Stokes 涡脱落的物理信息神经网络中的交互效应

英文标题：Complementary, Not Cumulative: Interaction Effects in Physics-Informed Neural Networks for Navier-Stokes Vortex Shedding

这篇论文研究物理信息神经网络（PINNs）在 Navier-Stokes 方程涡脱落问题中的方法交互效应。PINNs 将控制偏微分方程直接纳入训练损失，被视为替代高成本非定常流动 CFD 求解器的一种潜在方案。论文标题表明，不同改进技术的效果并非简单累加，而更可能呈现互补关系；这对开发者组合 PINN 训练策略、评估优化手段的实际增益具有参考意义。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB