محققان چارچوب جدیدی به نام DSGNAR را برای آموزش شبکههای عصبی فیزیکمحور (PINNs) معرفی کردهاند که مشکل کندی و عدم دقت در حل معادلات دیفرانسیل را به شکلی خیرهکننده حل میکند.
این مدل با استفاده از بهینهساز مرتبه دوم (Gauss-Newton)، توانسته در مسائل پیچیدهای مثل مکانیک سیالات (Navier-Stokes) و معادلات غیرخطی، دقت را تا چندین مرتبه افزایش دهد و در عین حال سرعت بسیار بالاتری نسبت به روشهای فعلی داشته باشد. این گام بزرگی برای استفاده از هوش مصنوعی در شبیهسازیهای علمی و مهندسی دقیق است. 🎯
منبع: arXiv Machine Learning
