محققان در یک پیشرفت علمی جذاب، مدل جدیدی به نام «PG-KINN» را معرفی کردهاند که ترکیبی هوشمندانه از شبکههای عصبی KAN (Kolmogorov-Arnold) و روشهای محاسباتی کلاسیک (Petrov-Galerkin) است.
این معماری جدید با هدف حل دقیقتر و تفسیرپذیرتر معادلات دیفرانسیل جزئی (PDEs) طراحی شده و مشکلاتی مانند دقت پایین و خطاهای عددی مدلهای سنتی MLP را در شبیهسازیهای فیزیکی برطرف میکند. این روش عملاً راه را برای شبیهسازیهای مهندسی پیشرفتهتر و تحلیلهای پیچیده فیزیکی به کمک هوش مصنوعی هموارتر میکند. 🏗️✨
منبع: arXiv Machine Learning