cd-PINN

cd-PINN（Continuous Dependence Physics-Informed Neural Networks）是一种结合偏微分方程（PDE）解对参数和初值/边界值连续依赖性的全新PINN架构，旨在提升算子学习的泛化能力。

核心创新

• 结合PDE解对参数和初值/边界值的连续依赖性
• 在有限标签数据下显著提升泛化性能

性能提升

• 在有限标签数据下，cd-PINN的测试均方误差（MSE）比DeepONet和FNO（傅里叶神经算子）低1-3个数量级
• 为工业数字孪生中的高维复杂流体预测提供了更可靠的算子学习路径

相关概念

• [[物理信息神经网络-pinns]]
• [[ra-pinn]]
• [[AI for Science]]
• [[数字孪生]]