i207M/PINNacle

해결하는 문제

PINNacle은 다양한 물리 정보 기반 신경망(PINN) 변형을 평가하고 비교할 수 있는 표준화된 방법을 제공합니다. 편미분방정식(PDE)을 해결하기 위한 포괄적인 벤치마크의 부족을 해결하기 위해 여러 PINN 방법론을 구현하고, 성능 비교를 위한 도전적인 데이터셋을 제공합니다.

작동 방식

이 프로젝트는 PDE 해결을 개선하는 접근 방식에 따라 분류된 다양한 PINN 변형을 구현합니다:

• 손실 재가중: PINN-LRA 및 PINN-NTK와 같은 방법.
• 콜로케이션 포인트 재샘플링: RAR 방법.
• 최적화 알고리즘: MultiAdam이라고 불리는 전용 최적화 알고리즘.
• 손실 함수: 정규화 항(gPINN)과 변분 공식(hp-VPINN).
• 아키텍처 변경: 적응형 활성화 함수(LAAF, GAAF) 및 도메인 분할(FBPINN).

대상 사용자

미분방정식을 해결하고 과학 계산에서 신경망의 성능을 최적화하는 데 물리 정보 기반 기계학습을 활용하는 연구자 및 엔지니어.

주요 특징

• 범용 PINN부터 고급 아키텍처 및 최적화 전략에 이르기까지 총 11가지의 다양한 PINN 변형을 구현.
• PDE 해결 벤치마크에 특화된 새로운 도전적인 데이터셋 포함.
• 사용자 정의 설정으로 여러 테스트 케이스를 실행할 수 있는 통합 벤치마크 스크립트 지원.