Параметрические PINN: объяснение | Обучайте один раз, решайте для любых параметров

👇 Получите бесплатный Jupyter-блокнот для этого видео: https://notebooks.compu-flair.com/pin... https://notebooks.compu-flair.com/pin... Узнайте, как параметрические нейронные сети, основанные на физических принципах, решают зависящее от времени уравнение теплопроводности в непрерывном диапазоне свойств материала. В этом видео объясняется, как тепловая диффузия становится дополнительным входным параметром сети, как граничные данные и точки коллокации, основанные на физических принципах, направляют обучение, и как автоматическое дифференцирование обеспечивает решение уравнения теплопроводности без размеченных внутренних данных. Вы также увидите, как выборка, балансировка потерь, валидация и анализ ошибок влияют на производительность, и почему обученная параметрическая нейронная сеть PINN может служить быстрой суррогатной моделью для отбора материалов, оптимизации проектирования, анализа неопределенности и управления в реальном времени. 📺 Разделы 00:00 - Что произойдет, если материал изменится? 01:41 - От неподвижной пластины к теплу в движении 03:41 - Почему сложение времени — это легко, а диффузия — другое дело 04:57 - Ключевой момент: превратить параметр «Материал» в входной параметр 07:10 - Два типа точек обучения 08:33 - Тонкое граничное правило 10:16 - Как физика учит без температурных меток 12:05 - Одна цель, две обязанности 14:02 - Обучение одного семейства решений 14:44 - Проверка модели на соответствие точному ответу 16:39 - Взгляд за пределы одного числа ошибок 18:25 - Что мы не рассмотрели