Wir freuen uns über unseren Beitrag bei der ICINCO 2024 in Porto. Herzlichen Glückwunsch an die Autoren!
Domain-decoupled Physics-informed Neural Networks with Closed-form Gradients for Fast Model Learning of Dynamic Systems. Henrik Krauß, Tim-Lukas Habich, Max Bartholdt, Thomas Seel, Moritz Schappler
Wir führen das Domain-Decoupled Physics-Informed Neural Network (DD-PINN) ein, um die derzeitigen Grenzen von PINNs für Zustandsraummodelle von großen und komplexen dynamischen Systemen zu überwinden. Der Zeitbereich wird vom neuronalen Netz entkoppelt, um eine Ansatzfunktion zu konstruieren, die die Berechnung von Gradienten in geschlossener Form ermöglicht. Dieser Ansatz verkürzt die Trainingszeiten insbesondere bei großen dynamischen Systemen erheblich.
Wir danken dem gesamten Team, insbesondere Henrik Krauß, für die engagierte Arbeit an diesem Projekt. Eure Zusammenarbeit und harte Arbeit hat eine entscheidende Rolle für diesen Erfolg gespielt.
Weitere Infos findet ihr hier: https://icinco.scitevents.org/