物理信息神经网络（PINN）中的导数保真度失效模式：来自函数值训练的强化基准证据
英文标题：A derivative-fidelity failure mode in physics-informed neural networks: strengthened benchmark evidence from function-value training
本研究探讨了物理信息神经网络（PINN）中的关键缺陷：模型在函数值上的高精度拟合并不意味着其导数同样准确。论文将这种现象形式化定义为“导数保真度”（derivative fidelity）失效模式，并通过函数值训练任务提供了强有力的基准测试证据。这一发现揭示了当前科学计算与 AI for Science 领域在仅依赖函数误差评估模型时存在的潜在风险，对构建更可靠的高保真物理仿真模型具有重要参考价值。
打开原文相关 1.6 · 机会 0
2.1 KB
640 B
612 B
380 B
9.1 KB
32.7 KB
22.8 KB
24.2 KB
34.7 KB
中文
arXiv:2609.13171v1 公告类型：新提交（new）
摘要：物理信息神经网络（PINN）利用自动微分来约束微分方程残差，但函数值层面的良好吻合并不一定意味着能够得到准确的导数。本文将“导数保真度”（derivative fidelity）形式化定义为一种失效模式……
BibTeX 格式引用
×
English / 原文
BibTeX formatted citation
×