محققان در یک دستاورد جدید، روشی نوآورانه برای تطبیق خودکار معماری شبکههای عصبی ارائه دادهاند. در این رویکرد، فرآیند آموزش شبکه به عنوان یک مسئله «کنترل بهینه» در زمان پیوسته مدلسازی شده است.
ویژگی کلیدی این متد، استفاده از تخمین خطای پسرو (a posteriori) است که اجازه میدهد شبکه به صورت هوشمند، لایههای جدید را دقیقاً در نقاطی که بیشترین میزان خطا وجود دارد، اضافه کند. این یعنی بهینهسازی دقیقتر برای حل مسائل پیچیده و غیرخطی مانند معادلات ناویر-استوکس!
با این روش، دیگر نیازی به حدس و گمان برای انتخاب عمق شبکه نیست و ساختار مدل به صورت خودکار با نیازهای مسئله تطبیق پیدا میکند. گامی بلند برای کارآمدتر شدن هوش مصنوعی در محاسبات علمی! 🔬✨
منبع: arXiv Machine Learning