Schlagwort: PINNs

Physikalisch informierte neuronale Netze (PINNs) kombinieren maschinelles Lernen mit physikalischen Gesetzen, um Modelle zu erstellen, die physikalische Prinzipien (Erhaltungssätze) einhalten. Der Trainingsprozess beruht wesentlich auf physikalischen Gleichungen, wobei Daten ebenfalls einbezogen werden können.

PINNs

Testrechnungen PINNs

Hier werden die Ergebnisse der Testrechnungen für das PINNs: Physics-Informed Neural Network dargestellt und kurz analysiert. Der Schwerpunkt liegt auf dem Verhalten der PINNs außerhalb des Trainingsintervalls sowie dem Frequenz-Prinzip (F-Prinzip), das beschreibt, wie neuronale Netze unterschiedliche Frequenzen lernen – insbesondere, dass niedrige Frequenzen schneller erfasst werden als hohe. Ergebnisse […]

C++, Mathematische Modelle, PINNs

PINNs — Physikalisch Informierte Neuronale Netze

In diesem Beitrag beschreibe ich die Entwicklung und Implementierung eines einfachen neuronalen Netzwerks, das die Sinusfunktion approximieren kann. Die Methodik folgt hierbei den physikalisch informierten neuronalen Netzen (PINNs), welche maschinelles Lernen mit physikalischen Gesetzen kombinieren, um Modelle zu erstellen, die physikalische Prinzipien einhalten. PINNs haben den großen Vorteil, dass sie […]