Onderzoek belicht drempelwaarden bij ontdekking van differentiaalvergelijkingen
Nieuw onderzoek toont aan dat nauwkeurige regressie bij neurale netwerken voor het ontdekken van differentiaalvergelijkingen niet automatisch leidt tot de juiste vergelijking. Wetenschappers analyseerden de effecten van drempelwaarden op de ondersteuningsselectie.
Bij het automatisch afleiden van fysische wetmatigheden en differentiaalvergelijkingen uit data maken neurale netwerken vaak gebruik van sparse optimalisatie. Uit een recente studie blijkt echter dat een ogenschijnlijk nauwkeurige numerieke benadering niet altijd resulteert in het correct behouden van de juiste termen in de uiteindelijke vergelijking.
Complexe dynamiek in fysische modellering
De onderzoekers hebben gekeken naar het gedrag van drempelwaarden bij het selecteren van relevante variabelen binnen advectie-diffusievergelijkingen. Hieruit bleek dat specifieke keuzes rondom drempelwaarden kunnen leiden tot het onbedoeld wegvallen van essentiële fysische componenten, zelfs wanneer de coëfficiënten op zich nauwkeurig zijn benaderd.
Het combineren van machine learning met natuurkundige wetten is een breed gedragen onderzoeksgebied binnen de wetenschappelijke kunstmatige intelligentie. Dit soort fundamentele analyses helpen om AI-modellen betrouwbaarder te maken bij het simuleren en voorspellen van complexe fysische systemen.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel