यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है। यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है। पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।
इस पत्र में, हम भौतिक सूचना तंत्रिका नेटवर्क (PINNs) के एक्सट्रपलेशन प्रदर्शन को बेहतर बनाने के लिए एक ट्रांसफर लर्निंग (TL) तकनीक का प्रस्ताव रखते हैं। PINNs, भौतिक नियमों को सीखने की प्रक्रिया में शामिल करके जटिल वैज्ञानिक और इंजीनियरिंग समस्याओं को हल करने के लिए उपयुक्त हैं। हालाँकि, प्रशिक्षण क्षेत्र के बाहर इनका एक्सट्रपलेशन प्रदर्शन कमज़ोर होता है और ये सक्रियण फलनों (AFs) के चयन के प्रति संवेदनशील होते हैं। इस पत्र में, हम एक ट्रांसफर लर्निंग विधि का प्रस्ताव रखते हैं जो एक विस्तारित प्रशिक्षण क्षेत्र में केवल कुछ सावधानीपूर्वक चयनित कोलोकेशन बिंदुओं का उपयोग करती है, और एक अनुकूली AF का प्रस्ताव रखते हैं जो मॉडल की मजबूती और सटीकता में सुधार के लिए मानक AFs का एक रैखिक संयोजन है। प्रायोगिक परिणाम दर्शाते हैं कि प्रस्तावित विधि, एक्सट्रपलेशन क्षेत्र में सापेक्ष L2 त्रुटि को औसतन 40% और माध्य निरपेक्ष त्रुटि को औसतन 50% कम करती है, साथ ही गणना लागत में नगण्य वृद्धि भी करती है। कोड https://github.com/LiuzLab/PINN-extrapolation पर उपलब्ध है ।
