金属增材制造PINN自适应采样新策略

研究者 Hyeonsu Lee 和 Jihoon Jeong 提出一种面向金属增材制造物理信息神经网络（PINN）的两阶段自适应采样框架：先用条件 Flow Matching 模型学习不同工艺条件下的高残差分布，再将其与领域感知基分布混合，生成用于改进 PINN 预测的配点。 在相同配点预算下，该方法相对当前最优 PINN 基线平均降低 62.1% 的相对 L2 误差，并能捕捉文献常忽略的工艺相关散热区域。作者称这是金属增材制造中首个 PINN 自适应采样策略。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。