Wanneer heeft frequentie-decompositie baat bij physics-informed neural networks? Een voorlopige ablatiestudie

arXiv:2608.24940v1 Aankondigingstype: nieuw Samenvatting: Partiële differentiaalvergelijkingen (PDE's) hebben vaak hoogfrequente en multi-schaal kenmerken die neurale netwerken moeilijk kunnen benaderen. Physics-Informed Neural Networks (PINNs) bouwen de bepalende vergelijkingen direct in de training in, maar lijden onder spectrale bias: ze leren laagfrequente componenten sneller dan hoogfrequente. Technieken zoals Fourier-feature-embeddings en sinusoïdale activaties pakken dit aan, maar de meeste studies gaan ervan uit dat ze