arXiv cs.LG（学术论文）
40
推荐理由：该工作为物理信息神经网络在稀疏传感交通估计中的实际部署提供了实用框架，残差引导的域分解策略可推广至其他涉及不连续性的PINN应用，其训练效率提升对资源受限场景有直接价值。
全部 AI 动态
AI 相关资讯全量信息流
5月11日
11:44
本研究提出自适应域分解物理信息神经网络（ADD-PINN），用于从稀疏固定传感器数据中重建交通速度场。该方法首先训练一个粗粒度的全局PINN，利用其残差分布指导子域划分和子网络初始化，并使用数据驱动的激波指示器决定是否启用多域分解。在I-24 MOTION数据集上的大规模评估（1500次运行）显示，ADD-PINN在25种配置中的18种和15种稀疏传感配置中的14种取得了最低的相对L2误差，同时训练速度比扩展PINN（XPINN）基线快2.4倍。NGSIM实验作为阴性对照，验证了激波指示器在所有50次运行中抑制了分解，默认单域回退方案表现最佳。这表明残差引导的空间分解是针对稀疏固定传感场景的高效PINN设计。