Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Améliorer l'extrapolation des réseaux neuronaux basée sur la physique via l'apprentissage par transfert et les fonctions d'activation adaptatives
Created by
Haebom
Auteur
Athanasios Papastathopoulos-Katsaros, Alexandra Stavrianidi, Zhandong Liu
Contour
Dans cet article, nous proposons une technique d'apprentissage par transfert (TL) pour améliorer les performances d'extrapolation des réseaux de neurones d'information physique (PINN). Les PINN sont adaptés à la résolution de problèmes scientifiques et techniques complexes en intégrant les lois physiques au processus d'apprentissage. Cependant, leurs performances d'extrapolation sont médiocres en dehors du domaine d'apprentissage et ils sont sensibles au choix des fonctions d'activation (FA). Dans cet article, nous proposons une méthode d'apprentissage par transfert qui utilise seulement quelques points de collocation soigneusement sélectionnés dans un domaine d'apprentissage étendu, et proposons une FA adaptative, combinaison linéaire de FA standard, pour améliorer la robustesse et la précision du modèle. Les résultats expérimentaux montrent que la méthode proposée réduit l'erreur relative L2 de 40 % en moyenne et l'erreur absolue moyenne de 50 % en moyenne dans le domaine d'extrapolation, avec une augmentation négligeable du coût de calcul. Le code est disponible à l' adresse https://github.com/LiuzLab/PINN-extrapolation .
