مدلهای فیزیکمحور (PINNs) معمولاً در مواجهه با مسائلی که لایههای مرزی نازک و تغییرات شدید دارند (مثل جریانهای سیالات) دچار چالش میشوند. حالا محققان با معرفی معماری جدید LRX-PINN، این مشکل را حل کردهاند.
این مدل با استفاده از «توابع فعالساز کوشی» (Cauchy Activations)، بهجای افزایش بیرویه پارامترها، دقت شبیهسازی را بهشدت بالا برده و در مقایسه با روشهای قبلی، با کمتر از ۳۰ درصد پارامترهای آموزشپذیر، نتایج دقیقتری ارائه میدهد.
این پیشرفت یک گام مهم در ترکیب هوش مصنوعی با شبیهسازیهای فیزیکی سنگین و پرهزینه است که میتواند کاربردهای زیادی در مهندسی و علوم محاسباتی داشته باشد. 💡
منبع: arXiv Machine Learning