La IA y los problemas difíciles del mundo · Matemáticas · arXiv · 2026-10-21
$H^2(\Omega)$ Cotas de error a priori para PINNs adaptadas a la frontera que resuelven problemas de Dirichlet elípticos
Título original: $H^2(\Omega)$ A Priori Error Bounds for Boundary-Adapted PINNs Solving Elliptic Dirichlet Problems
El estudio aborda la solución numérica de problemas de valores en la frontera de Dirichlet uniformemente elípticos minimizando el residuo de la EDP sobre redes neuronales construidas para satisfacer exactamente las condiciones de frontera mediante la multiplicación por una aproximación ρ, definida por el usuario, de la distancia a la frontera. Los autores identifican una condición suficiente y óptima sobre ρ que preserva la regularidad necesaria para el control del error en H²(Ω), dan construcciones prácticas para dominios lisos generales y derivan tasas de convergencia explícitas en H²(Ω) con alta probabilidad para redes ReQU y tanh adaptadas a la frontera. Los experimentos numéricos respaldan la teoría, mostrando que las elecciones adecuadas de ρ mejoran la precisión y la convergencia, mientras que las funciones de distancia mal elegidas degradan sustancialmente la solución.