محققان در تازهترین پژوهش خود، یک روش مبتنی بر «یادگیری عمیق» (Deep Learning) برای تحلیل سیستمهای تصادفی با ابعاد بالا (مانند Reflected Brownian Motion) معرفی کردهاند.
مشکل اینجاست که در بسیاری از سیستمهای پیچیده، دسترسی به راهکارهای دقیق ریاضی وجود ندارد، اما این متد جدید با استفاده از معماری شبکه عصبی پیشرفته، میتواند تبدیل لاپلاس این سیستمها را با دقت فوقالعادهای یاد بگیرد و پیشبینی کند. این دستاورد، مسیر جدیدی را برای تحلیل سیستمهای استوکاستیک در حوزههای مختلف علمی باز میکند.
🔗 کد پروژه: https://github.com/zhangz73/NN4MGF
منبع: arXiv Machine Learning
