LAM-PINN: Un framework di meta-apprendimento compositivo per reti neurali informate dalla fisica

Un recente preprint su arXiv (2604.26999) presenta LAM-PINN (Learning-Affinity Adaptive Modular Physics-Informed Neural Network), un framework di meta-apprendimento volto ad affrontare le sfide poste dall'eterogeneità dei compiti nelle reti neurali informate dalla fisica (PINN). Le PINN funzionano integrando leggi fisiche nelle loro funzioni di perdita per risolvere equazioni differenziali alle derivate parziali (PDE). In famiglie di PDE parametrizzate, differenze nei coefficienti o nelle condizioni al contorno e iniziali danno luogo a compiti unici, rendendo costoso addestrare PINN separate per ciascuno. Gli approcci tradizionali di meta-apprendimento spesso dipendono da un'unica inizializzazione globale, che può portare a un trasferimento negativo, specialmente con pochi compiti di addestramento e caratteristiche scarse. LAM-PINN supera questo problema fondendo i parametri delle PDE con metriche di affinità di apprendimento provenienti da brevi sessioni di trasferimento, facilitando un apprendimento cross-task più efficace, riducendo al minimo i costi di riaddestramento ed evitando il trasferimento negativo.