محققان در پژوهشی جدید، راهکار نوآورانهای برای افزایش «استحکام» (Robustness) و «تعمیمپذیری» مدلهای اپراتور عصبی (Neural Operators) ارائه دادهاند. این مدلها که جایگزینهای سریعی برای حلکنندههای عددی معادلات دیفرانسیل (PDE) هستند، گاهی در برابر اختلالات ورودی آسیبپذیرند.
این مقاله با معرفی «حملات تقابلی یکپارچه با حلکننده» (Solver-Integrated Adversarial Attack)، روشی هوشمندانه برای آموزش مدلها ابداع کرده که باعث میشود خروجی این سیستمها در محیطهای واقعی بسیار دقیقتر و قابلاعتمادتر از قبل باشد. این دستاورد گامی مهم برای کاربرد هرچه بیشتر هوش مصنوعی در علوم مهندسی و محاسبات پیچیده فیزیکی است. 🤖⚙️
منبع: arXiv Machine Learning