Cet article présente un cadre d'apprentissage automatique utilisant des réseaux de neurones physiquement informés (PINN) pour résoudre des équations différentielles multi-échelles non linéaires, en particulier des problèmes inverses. Les techniques clés incluent l'apprentissage multi-têtes (MH) et la régularisation unimodulaire (UR). L'apprentissage multi-têtes entraîne le réseau à apprendre l'espace général de toutes les solutions d'une équation donnée, plutôt qu'une solution spécifique, tandis que l'UR régularise l'espace latent des solutions. Cela permet de résoudre efficacement les équations différentielles multi-échelles non linéaires, couplées et améliore l'apprentissage par transfert.
