SIAM Journal on Scientific Computing· 2021Q1
Fizik Bilgili Sinir Ağlarında Gradyan Akış Patolojilerinin Anlaşılması ve Azaltılması
Understanding and Mitigating Gradient Flow Pathologies in Physics-Informed Neural Networks
- 1.697atıf
- Q1SCImago
- 2021yıl
Kısa özet
Bu çalışma, Fizik Bilgili Sinir Ağlarında (PINN'ler) eğitimi engelleyen patolojik gradyan akışlarını tanımlar ve ölçer, özellikle sert dinamikler için, ve yakınsamayı ve doğruluğu önemli ölçüde iyileştiren yeni bir adaptif aktivasyon fonksiyonu önerir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- PINN eğitiminde, özellikle sert dinamikler için, kilit bir sınırlama olarak patolojik gradyan akışlarını tanımlar.
- Bu patolojilerin yakınsama ve doğruluk üzerindeki etkisini ölçer.
- Gradyan akış sorunlarını azaltmak için yeni bir adaptif aktivasyon fonksiyonu önerir.
- Önerilen yöntemi kullanarak referans problemlerinde yakınsama ve doğrulukta önemli iyileştirmeler gösterir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Related DatabasesWeb of Science You must be logged in with an active subscription to view this.Article DataHistorySubmitted: 12 February 2020Accepted: 25 May 2021Published online: 09 September 2021Keywordsdeep learning, differential equations, optimization, stiff dynamics, computational physicsAMS Subject Headings68T99, 65M99, 68U20Publication DataISSN (print): 1064-8275ISSN (online): 1095-7197Publisher: Society for Industrial and Applied MathematicsCODEN: sjoce3
Yazarların özeti; kaynağından alınmıştır. SIAM Journal on Scientific Computing, 2021 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: İstatistiksel ve Doğrusal Olmayan Fizik
Statistical and Nonlinear PhysicsPhysics and Astronomy