Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Mejora de la extrapolación de redes neuronales basadas en la física mediante aprendizaje por transferencia y funciones de activación adaptativas
Created by
Haebom
Autor
Athanasios Papastathopoulos-Katsaros, Alexandra Stavrianidi, Zhandong Liu
Describir
En este artículo, proponemos una técnica de aprendizaje por transferencia (TL) para mejorar el rendimiento de extrapolación de redes neuronales de información física (PINN). Las PINN son adecuadas para resolver problemas científicos y de ingeniería complejos al incorporar leyes físicas en el proceso de aprendizaje. Sin embargo, sufren de un bajo rendimiento de extrapolación fuera del dominio de entrenamiento y son sensibles a la elección de funciones de activación (AF). En este artículo, proponemos un método de aprendizaje por transferencia que utiliza solo unos pocos puntos de colocación cuidadosamente seleccionados en un dominio de entrenamiento extendido y proponemos una AF adaptativa que es una combinación lineal de AF estándar para mejorar la robustez y la precisión del modelo. Los resultados experimentales muestran que el método propuesto reduce el error L2 relativo en un 40% en promedio y el error absoluto medio en un 50% en promedio en el dominio de extrapolación, con un aumento insignificante en el costo computacional. El código está disponible en https://github.com/LiuzLab/PINN-extrapolation .
