Nieuwe methode verbetert natuurkundige neurale netwerken
Onderzoekers presenteren een aanpak om de prestaties van physics-informed neural networks te verbeteren bij complexe vraagstukken. De methode richt zich op het oplossen van knelpunten rond trage convergentie en het vastleggen van lokale structuren.
Physics-informed neural networks vormen een alternatieve benadering voor het berekenen van partiële differentiaalvergelijkingen zonder dat daarvoor een vast rooster nodig is. Bij niet-lineaire vraagstukken lopen dergelijke modellen echter geregeld tegen beperkingen aan, zoals een onevenwichtige gradiënt en onvoldoende nauwkeurigheid bij het verwerken van plotselinge overgangen. Dit komt doordat traditionele trainingen vaak gebruikmaken van vaste verdelingspunten en verliesgewichten die niet meegroeien met de complexiteit van de oplossing.
De nieuwe techniek introduceert een adaptieve steekproefstrategie om deze uitdagingen te lijf te gaan. Binnen het vakgebied van wetenschappelijke machine learning wordt al langer gezocht naar manieren om neurale netwerken beter te laten aansluiten bij fysische wetmatigheden. Door de berekeningen dynamischer in te richten, wordt geprobeerd de nauwkeurigheid bij complexe simulaties te vergroten zonder in te leveren op rekensnelheid.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel