مدلهای معادلات دیفرانسیل عصبی (Neural ODEs) همیشه با چالش تعمیمدهی به شرایط اولیه جدید و پیشبینیهای بلندمدت دست و پنجه نرم میکردند. حالا محققان با معرفی MPINeuralODE، راهکار هوشمندانهای برای این مشکل پیدا کردهاند.
این مدل جدید با ترکیب یک «جزء فیزیکمحور» با یک رویکرد یادگیری آموزشی (Curriculum Learning) چند-شرطی، توانسته دقت مدل را در پیشبینی سیستمهای دینامیکی بهشدت افزایش دهد. در تستهای انجام شده روی سیستمهای پیچیده، این روش توانسته خطای پیشبینی را تا ۲۴٪ نسبت به مدلهای پایه کاهش دهد و پایداری بسیار بهتری در بازههای زمانی طولانی نشان دهد.
این دستاورد گامی مهم برای شبیهسازی دقیقتر پدیدههای فیزیکی با کمک هوش مصنوعی است. 🤖✨
منبع: arXiv Machine Learning