Framework PINN Adattivo Bilancia Fisica e Dati per la Previsione del Trasferimento di Calore

È stato sviluppato un nuovo framework di rete neurale fisico-informata (PINN) auto-supervisionata per bilanciare efficacemente la supervisione basata sulla fisica e quella orientata ai dati nell'apprendimento automatico scientifico in situazioni con dati limitati. A differenza dei precedenti PINN che utilizzavano pesi fissi o euristici per i residui fisici e la perdita dei dati, questo nuovo metodo presenta un neurone di blending apprendibile che regola i contributi di ciascuna componente in base alle loro incertezze. Questa innovazione consente un addestramento stabile e una migliore generalizzazione senza la necessità di regolazioni manuali. Inoltre, il framework incorpora una strategia di transfer learning che riutilizza rappresentazioni da campi correlati per adattarsi a nuovi sistemi fisici con dati scarsi. La validazione per la previsione del trasferimento di calore in mini dissipatori a metallo liquido ha utilizzato solo 87 punti dati CFD, ottenendo un tasso di errore inferiore all'8%, superando le reti neurali tradizionali e i metodi kernel. Questa ricerca è descritta nel preprint arXiv 2605.05217.