待验证50% 置信事实精确时间

PINNs面临的关键理论问题包括损失函数非凸性导致优化困难、梯度病态（spectral bias）使高频分量难以学习、损失函数多项加权平衡策略缺乏理论指导

1

来源数

50%

置信度

长期有效

时效性

2026/9/9

首次发现

来源

物理信息神经网络PINNs入门：该选数学、CS还是物理专业？

涉及实体

相关事实

待验证梯度下降的收敛条件与学习率和损失函数的Lipschitz常数的关系有关69% 相似已验证Focal Loss由何恺明等人在2017年的RetinaNet论文中提出，用于解决目标检测中前景与背景样本极度不均衡的问题67% 相似已验证量化会不可避免地引入精度损失，在逻辑推理等对准确性敏感的任务上可能出现性能下降67% 相似待验证大模型存在能力边界、幻觉问题、可靠性瓶颈等尚未彻底解决的挑战67% 相似待验证瓶颈维度的选择本质上是信息压缩率与重构质量之间的权衡，对应率失真理论；Shannon于1959年证明对于给定失真容忍度存在理论最小编码率下界67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/885643

API

curl https://kongchang.com/api/v1/knowledge/claims/885643

MCP

get_claim(id=885643)