Обсуждение:Физически-информированные нейронные сети

Материал из MachineLearning.

Первый промпт к Deepseek-V3 (режим Глубокое мышление + умный поиск):

Ты — эксперт по машинному обучению, вычислительной математике, профессор ведущего технического университета и научный редактор портала MachineLearning.ru. Твоя задача — написать с нуля глубокую, энциклопедическую вики-статью на русском языке на тему «Физически-информированные нейронные сети» (Physics-Informed Neural Networks, PINNs). Целевая аудитория — мотивированные студенты технических вузов, начинающие специалисты и практикующие инженеры-исследователи. Стиль — спокойный, академический, строгий, но доступный. Текст должен читаться так, будто его написал доцент кафедры вычислительной математики и ИИ. Делись глубоким пониманием процессов. Опирайся на реальные научные работы (например, историческую статью Lagaris et al., 1998, и прорывную работу Raissi, Perdikaris, Karniadakis, 2019). Требования к содержанию: 1. Определение: Что такое PINNs? Как они объединяют подходы Data-Driven (основанные на данных) и Physics-Driven (основанные на физических законах). 2. Исторический контекст: От первых попыток решения дифференциальных уравнений нейросетями в 1990-х (Lagaris) до современного расцвета благодаря автоматическому дифференцированию и алгоритму обратного распространения ошибки. 3. Архитектура и функция потерь: Детально распиши, как формируется функция потерь. Покажи формулами, что L_total = L_data + L_PDE + L_BC + L_IC (данные, невязка дифференциального уравнения, граничные и начальные условия). 4. Роль автоматического дифференцирования (Autodiff): Объясни, почему именно Autodiff позволил PINNs стать эффективными (точное вычисление производных по пространству и времени без сеток). 5. Прямые и обратные задачи (Inverse Problems): Объясни важнейшую особенность PINNs — способность находить неизвестные коэффициенты физических уравнений по небольшому объему зашумленных данных. 6. Проблемы и ограничения: Жесткость (stiffness) уравнений, конкуренция градиентов от разных компонент функции потерь, спектральное смещение (spectral bias) нейросетей, и методы решения (например, адаптивные веса на основе Neural Tangent Kernel). жесткие правила оформления: 1. Самое первое предложение начни строго по формату: `'''Физически-информированные нейронные сети''' (англ. ''Physics-Informed Neural Networks, PINNs'') — ...` 2. Используй симметричные пробелы `== Название ==` для главных разделов и `=== Название ===` для подразделов. Избегай школьной структуры («Введение», «Заключение»). 3. Для сложных формул и уравнений используй тег `<tex>`. Не используй `<math>`. 4. Для выделения английских терминов используй только две одинарные кавычки `''термин''`. 5. При первом упоминании оборачивай ключевые термины в `[[ ]]` (например, [[Дифференциальные уравнения в частных производных]], [[Автоматическое дифференцирование]], [[Уравнения Навье — Стокса]]). 6. Сноски в тексте (Гарвардский стиль): Используй короткие сноски вида `<ref name="Raissi2019">Raissi et al., 2019</ref>`. Без `{{,}}`. Ссылаться на Википедию запрещено. 7. См. также: Оформи строго как маркированный список. Перед ссылкой должен быть астериск и пробел: `* [[Термин]]`. 8. Напиши заголовок `== Примечания ==`, а под ним поставь строго один тег `<references />`. 9. Каждая статья оформляется через шаблон: {{статья |автор= ... |заглавие= ... |издание= ... |год= ... |страницы= ... |ссылка= |ref= ... }} Значение параметра `ref` должно точно совпадать с `name` в теге `<ref>` из текста.

После этого текст никак не менялся, в ручную были исправлены некоторые ошибки по оформлению. В целом опыт считаю успешным и очень интересным! - А. Клёсов 11.07.2026