Deep Neural Networks as Discrete Dynamical Systems: Implications for Physics-Informed Learning

작성자

Haebom

카테고리

Empty

저자

Abhisek Ganguly, Santosh Ansumali, Sauro Succi

💡 개요

본 연구는 심층 신경망(DNN)을 이산 동적 시스템으로 재해석하며, 물리 정보 학습(PINN)과의 연관성을 탐구합니다. Burgers 방정식 및 Eikonal 방정식에 대한 기존 수치 해법과 PINN 기반 해법을 비교 분석하여, PINN이 시스템의 근본적인 역학을 근사하는 데 있어 표준적인 이산화 방법과는 다른 계산 경로를 제공함을 보입니다.

🔑 시사점 및 한계

•

심층 신경망은 층별 발전이 흡인점을 향해 수렴하는 이산 동적 시스템으로 해석될 수 있으며, 이는 다양한 매개변수 설정이 유사한 해를 도출할 수 있음을 시사합니다.

•

PINN은 고전적인 이산화 스테인실과 직접적인 연관성이 없는 밀집한 매개변수 표현을 학습하며, 이는 고차원 문제에서 기존 그리드 기반 방법의 한계를 극복할 수 있는 잠재력을 가집니다.

•

그러나 이러한 밀집한 표현은 더 많은 매개변수를 요구하여 해석 가능성이 낮아지고 계산 비용이 증가하는 한계를 가집니다.

PDF 보기

Made with Slashpage