Nieuwe trainingsmethode voor natuurkundig geïnformeerde neurale netwerken
Onderzoekers presenteren een verbeterde techniek voor physics-informed neural networks om niet-lineaire problemen en schokgolven nauwkeuriger op te lossen. De methode pakt trage convergentie en verdelingsproblemen tijdens de training aan.
Wetenschappers hebben een nieuwe benadering ontwikkeld voor het trainen van physics-informed neural networks, afgekort als PINNs. Deze netwerken worden traditioneel ingezet voor het oplossen van partiële differentiaalvergelijkingen zonder dat daar een vast rekenrooster voor nodig is. Bij complexe of niet-lineaire problemen liepen dergelijke modellen echter vaak tegen beperkingen aan, zoals een trage convergentie en moeite met het vangen van scherpe overgangen in de data.
Flexibelere trainingsaanpak
De vastigheid van traditionele verliesfuncties en uniforme puntverdelingen bleek ontoereikend om de dynamiek van het oplossingsveld goed te volgen. De nieuwe methode brengt hier verandering in door de sampling tijdens het trainen gerichter te sturen. Hiermee wordt geprobeerd om de rekenefficiëntie en de nauwkeurigheid van het model te verbeteren bij ingewikkelde fysische simulaties.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel