Исследователи представили метод Target-Guided Selective Reweighting (TGSR) для обучения физико-информированных нейронных сетей (PINN). Подход решает проблему некорректно поставленных оптимизационных задач и конфликтов функций потерь при использовании трансферного обучения. Алгоритм динамически перевзвешивает данные, предотвращая негативный перенос знаний, когда физические механизмы или параметры исходной и целевой задач существенно различаются.

Традиционные PINN часто сталкиваются с трудностями при решении обратных задач, связанных с дифференциальными уравнениями в частных производных (PDE). Проблемы возникают из-за конкуренции между различными компонентами функции потерь и компенсации параметров, что снижает точность предсказаний. Использование трансферного обучения помогает ускорить сходимость, но прямое дообучение моделей на новых данных часто приводит к ошибкам из-за различий в уровне шума или доминирующих физических процессах.

Метод TGSR вводит механизм селективного перевзвешивания, который позволяет модели эффективно адаптироваться к целевой задаче, сохраняя при этом полезные представления из исходного домена. Это достигается за счет автоматического контроля влияния различных обучающих примеров, что минимизирует влияние «шумных» или нерелевантных данных. Технология демонстрирует повышенную устойчивость к вариациям параметров и улучшает качество аппроксимации решений в сложных физических системах.

Ключевые факты

  • Метод TGSR направлен на устранение негативного переноса знаний в трансферном обучении для PINN.
  • Алгоритм решает проблему конкуренции функций потерь и некорректно поставленных обратных задач для PDE.
  • Технология позволяет эффективно использовать предварительно обученные модели даже при наличии различий в физических механизмах или уровне шума между задачами.
  • Подход повышает точность идентификации параметров в сложных нелинейных системах по сравнению со стандартным дообучением.