محققان در مطالعه جدید خود به سراغ حل یکی از چالشهای بنیادی در شبکههای عصبی فیزیکمحور (PINNs) رفتهاند. این شبکهها که برای حل معادلات دیفرانسیل جزئی (مثل معادله پواسون) به کار میروند، حالا با تحلیلهای دقیق ریاضی، پایداری و همگرایی بهتری را هنگام استفاده از روشهای «گرادیان تصادفی» (SGD) تجربه میکنند.
این تحقیق نشان میدهد که چگونه میتوان با تضمین ویژگیهای ماتریسهای گرام در حین آموزش، دقت و اعتمادپذیری این مدلها را در مسائل پیچیده فیزیکی افزایش داد. قدمی مهم برای توسعه مدلهای علمی دقیقتر و قابلاطمینانتر! 🚀
منبع: arXiv Machine Learning