每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

用于求解复杂积分方程的具有残差的高级物理信息神经网络

Created by
  • Haebom

作者

Mahdi Movahedian Moghaddam、Kourosh Parand、Saeed Reza Kheradpisheh

大纲

本文提出了残差积分求解器网络 (RISN)，这是一种新颖的神经网络架构，旨在求解各种积分和积分-微分方程（包括一维、多维、常微分和偏微分积分-微分方程、分数型和具有振荡核的亥姆霍兹型积分方程）。RISN 通过结合高斯求积和分数微分矩阵运算等高精度数值方法以及残差连接，实现了比传统物理信息神经网络 (PINN) 更高的精度和稳定性。残差连接缓解了梯度消失问题，使 RISN 能够处理更深的网络和更复杂的核，尤其是在多维问题中。大量实验表明，RISN 不仅始终优于传统 PINN，而且优于辅助 PINN (A-PINN) 和自适应 PINN (SA-PINN) 等高级变体，在多种方程类型中均实现了显著降低的平均绝对误差 (MAE)。这些结果凸显了 RISN 的稳健性和效率，使其成为传统方法难以解决的实际应用中的宝贵工具。

Takeaways, Limitations

•
Takeaways：
◦
它为各种类型的积分和积分微分方程提供了比现有的基于 PINN 的方法更高的精度和稳定性。
◦
通过残差连接缓解梯度消失问题，有效解决复杂问题。
◦
它可以有效地解决包含多维问题和振荡核的复杂积分方程。
◦
它为解决传统数值分析方法难以解决的实际问题提供了一个强大的工具。
•
Limitations：
◦
需要进一步验证论文中提出的实验结果的普遍性。
◦
针对特定类型的积分方程，需要进一步研究优化结构或参数设置。
◦
高维问题的计算成本和内存要求可能会增加。
◦
可能需要对具体的超参数优化策略和详细的实现细节进行额外的解释。
👍
Made with Slashpage