محققان در یک پژوهش جدید، رویکرد متفاوتی برای حل معادلات دیفرانسیل جزئی غیرمحلی در «نظریه تابعی چگالی پویا» (DDFT) ارائه کردهاند. چالش اصلی این معادلات، غیرخطی بودن و ساختار پیچیده آنهاست که باعث کندی آموزش مدلهای معمول میشود.
ویژگیهای کلیدی این دستاورد:
✅ معرفی یک تابع فعالساز «لورنتسی اصلاحشده» برای تسریع همگرایی.
✅ استفاده از اپراتورهای گسسته پیشمحاسبهشده برای مدیریت بهینه عبارتهای غیرمحلی.
✅ اثبات دقت بالا در شبیهسازیهای فیزیکی و حفظ تعادل جرم و انرژی.
این روش نشان میدهد که چگونه ترکیب هوش مصنوعی با قوانین فیزیک (PINN) میتواند در شبیهسازیهای علمی دقیق و پیچیده، جایگزین روشهای سنتیِ سنگین و پرهزینه شود.
منبع: arXiv Machine Learning