已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Kolmogorov Arnold Informed neural network: A physics-informed deep learning framework for solving PDEs based on Kolmogorov Arnold Networks

人工神经网络 计算机科学 人工智能 统计物理学 数学教育 认知科学 应用数学 心理学 物理 数学
作者
Yizheng Wang,Jia Sun,Jinshuai Bai,Cosmin Anitescu,Mohammad Sadegh Es-haghi,Xiaoying Zhuang,Timon Rabczuk,Yinghua Liu
出处
期刊:Cornell University - arXiv
标识
DOI:10.48550/arxiv.2406.11045
摘要

AI for partial differential equations (PDEs) has garnered significant attention, particularly with the emergence of Physics-informed neural networks (PINNs). The recent advent of Kolmogorov-Arnold Network (KAN) indicates that there is potential to revisit and enhance the previously MLP-based PINNs. Compared to MLPs, KANs offer interpretability and require fewer parameters. PDEs can be described in various forms, such as strong form, energy form, and inverse form. While mathematically equivalent, these forms are not computationally equivalent, making the exploration of different PDE formulations significant in computational physics. Thus, we propose different PDE forms based on KAN instead of MLP, termed Kolmogorov-Arnold-Informed Neural Network (KINN). We systematically compare MLP and KAN in various numerical examples of PDEs, including multi-scale, singularity, stress concentration, nonlinear hyperelasticity, heterogeneous, and complex geometry problems. Our results demonstrate that KINN significantly outperforms MLP in terms of accuracy and convergence speed for numerous PDEs in computational solid mechanics, except for the complex geometry problem. This highlights KINN's potential for more efficient and accurate PDE solutions in AI for PDEs.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
ninomae完成签到 ,获得积分10
2秒前
B612小行星完成签到 ,获得积分10
6秒前
7秒前
无情的惋清完成签到,获得积分10
10秒前
梵莫完成签到,获得积分10
12秒前
12秒前
cherrychou完成签到,获得积分10
13秒前
康康完成签到 ,获得积分10
14秒前
14秒前
孤蚀月完成签到,获得积分10
18秒前
tanhaowen完成签到 ,获得积分10
20秒前
zzzzzttt发布了新的文献求助10
20秒前
lzt完成签到 ,获得积分10
29秒前
小枣完成签到 ,获得积分10
29秒前
葡紫明完成签到 ,获得积分10
30秒前
monair完成签到 ,获得积分10
32秒前
ding应助科研通管家采纳,获得10
33秒前
穆紫应助科研通管家采纳,获得10
33秒前
科研通AI2S应助科研通管家采纳,获得10
33秒前
小滨完成签到 ,获得积分20
33秒前
薄荷小姐完成签到 ,获得积分10
36秒前
Nolan完成签到,获得积分10
37秒前
爱科研的小周完成签到 ,获得积分10
38秒前
杨同学完成签到,获得积分10
39秒前
41秒前
42秒前
Akim应助理想三寻采纳,获得30
43秒前
冰红茶完成签到 ,获得积分10
45秒前
45秒前
矿渣完成签到,获得积分10
48秒前
Dani完成签到,获得积分10
58秒前
林利芳完成签到 ,获得积分10
59秒前
1分钟前
1分钟前
susan完成签到 ,获得积分10
1分钟前
1分钟前
1分钟前
孤独黑猫完成签到 ,获得积分10
1分钟前
诚心仙人掌完成签到,获得积分10
1分钟前
begonia2021发布了新的文献求助10
1分钟前
高分求助中
Lire en communiste 1000
Ore genesis in the Zambian Copperbelt with particular reference to the northern sector of the Chambishi basin 800
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Becoming: An Introduction to Jung's Concept of Individuation 600
肝病学名词 500
Evolution 3rd edition 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3171355
求助须知:如何正确求助?哪些是违规求助? 2822342
关于积分的说明 7938795
捐赠科研通 2482815
什么是DOI,文献DOI怎么找? 1322807
科研通“疑难数据库(出版商)”最低求助积分说明 633742
版权声明 602627