محققان به تازگی در مطالعهای فنی و عمیق، محدودیتهای مهمی را در روشهای «یادگیری آگاه از فیزیک» (Physics-Informed Neural Networks) برای حل معادلات دیفرانسیل غیرخطی چندمقیاسی کشف کردهاند.
این پژوهش نشان میدهد که حتی با مدلهای عصبی پیشرفته، یک «شکاف فرمولبندی» (Formulation Gap) در مواجهه با مقیاسهای کوچک ($\epsilon$) وجود دارد که میتواند دقت و همگرایی مدل را تحت تأثیر قرار دهد. این یافتهها برای متخصصانی که در حال توسعه مدلهای دقیق هوش مصنوعی برای شبیهسازیهای علمی و فیزیکی هستند، بسیار حیاتی است تا بتوانند بهینهسازی دقیقتری داشته باشند.
منبع: arXiv Machine Learning