В работе исследуется эффективность различных методов подбора гиперпараметров для Physics-Informed Neural Network (PINN) на примере решения многомерного уравнения Гельмгольца. Нейронная сеть была построена на фреймворке PyTorch без использования специальных библиотек для PINN-сетей. Исследовано влияние гиперпараметров на производительность нейросети и проведена автоматическая оптимизация со сравнением популярных алгоритмов поиска и планировщиков обучения.
В качестве инструмента для оптимизации гиперпараметров (HPO) был выбран фреймворк Ray Tune с открытым исходным кодом, предоставляющий единый интерфейс для работы с множеством HPO-пакетов. Рассмотрены алгоритмы случайного поиска, байесовского поиска, основанного на дереве парзеновских оценок (TPE) в реализациях hyperopt и hp­bandster, и алгоритм ранней остановки (ASHA). Использование алгоритма ранней остановки позволяет существенно быстрее получить лучшую конфигурацию гиперпараметров при любой размерности задачи.