具有可学习损失平衡和迁移学习功能的物理神经网络

arXiv:2605.05217v1 公告类型：新 摘要：我们提出了一种自监督物理信息神经网络（PINN）框架，该框架可以自适应地平衡基于物理和数据驱动的监督，以实现数据稀缺下的科学机器学习。与之前依赖于物理残差和数据丢失的固定或启发式加权的 PINN 不同，我们的方法引入了一个可学习的混合神经元，该神经元可以根据每个项的不确定性动态调整每个项的相对贡献。这种机制无需手动调整即可实现稳定的训练并提高泛化能力。为了进一步提高效率，我们集成了一种迁移学习策略，该策略重用相关领域的表示，并使它们适应数据有限的新物理系统。我们仅使用 87 个 CFD 数据点验证了液态金属微型散热器中传热预测的框架，其中自适应 PINN 实现了 <8% 的误差，优于浅层神经网络、核方法和纯物理基线。我们的框架提供了将物理学自适应地嵌入神经网络的通用方法，为各个科学领域（包括流体动力学和材料建模）的数据稀缺问题提供了稳健且可重复的方法。