[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Improving physics-informed neural network extrapolation via transfer learning and adaptive activation functions

Created by
  • Haebom

저자

Athanasios Papastathopoulos-Katsaros, Alexandra Stavrianidi, Zhandong Liu

개요

본 논문은 물리 정보 신경망(PINNs)의 외삽 성능 향상을 위한 전이 학습(TL) 기법을 제안합니다. PINNs는 물리 법칙을 학습 과정에 통합하여 복잡한 과학 및 공학 문제를 해결하는 데 적합하지만, 훈련 영역 외부에서 외삽 성능이 저조하고 활성화 함수(AFs) 선택에 민감하다는 한계점을 지닙니다. 본 연구는 확장된 훈련 영역에서 소수의 신중하게 선택된 콜로케이션 포인트만을 사용하는 전이 학습 방법을 제시하며, 표준 AF들의 선형 결합 형태를 갖는 적응형 AF를 제안하여 모델의 강건성과 정확성을 향상시킵니다. 실험 결과, 제안된 방법은 외삽 영역에서 상대 L2 오차를 평균 40%, 평균 절대 오차를 평균 50% 감소시키는 것을 보였으며, 계산 비용의 증가는 미미합니다. 코드는 https://github.com/LiuzLab/PINN-extrapolation 에서 이용 가능합니다.

시사점, 한계점

•
시사점:
◦
PINNs의 외삽 성능을 향상시키는 효과적인 전이 학습 기법을 제시합니다.
◦
적응형 활성화 함수를 통해 모델의 강건성과 정확성을 향상시킵니다.
◦
계산 비용 증가 없이 외삽 성능을 크게 향상시킵니다.
•
한계점:
◦
제안된 방법의 성능은 선택된 콜로케이션 포인트와 적응형 AF의 매개변수에 의존적일 수 있습니다.
◦
다양한 유형의 물리 시스템에 대한 일반화 성능에 대한 추가적인 연구가 필요합니다.
◦
제안된 방법이 모든 유형의 PINNs에 적용 가능한지에 대한 추가적인 검증이 필요합니다.
👍
Made with Slashpage