基于解引导上采样的分布式参数反应系统多分辨率物理信息神经网络训练策略

《Reaction Chemistry and Engineering》：MR-PINN: Multiresolution Training for Physics-Informed Neural Networks with Solution-Guided Upscaling in Distributed Parameter Reactor SystemsOpen Access

　　

本文针对分布式参数反应系统，提出了一种基于解引导的多分辨率训练策略，用于物理信息神经网络（PINNs）。所提出的多分辨率物理信息神经网络（MR-PINN）框架通过扩展空间分布的输出表示，构建具有逐步细化空间分辨率的PINN模型层级。每个较高分辨率模型通过对先前已学习解进行解引导的上采样初始化。与基于参数的网络扩展方法不同，该策略在分辨率之间传递已学习的解结构，保留了平滑性和守恒行为等具有物理意义的特征。解引导的多分辨率延续策略相较于传统固定分辨率PINN训练，在收敛性和预测精度方面均有提升。在两个流动反应器案例研究中的验证表明，该方法在训练效率和预测性能方面均有稳定改进，表明该方法在所研究的分布式参数反应系统中具有实际应用潜力。

此内容仅可通过PDF获取。

打开 PDF MR-PINN：分布式参数反应系统中基于解引导上采样的物理信息神经网络多分辨率训练，在新窗口中打开

? 2026 作者。由英国皇家化学学会出版

2026

作者

本文依据知识共享署名4.0国际版许可协议进行授权。您可以在其他出版物中使用本文的材料，无需向英国皇家化学学会额外申请许可，前提是给出正确的署名。

本文依据 知识共享署名4.0国际版许可协议 进行授权。