新的KAN框架在积分微分方程中发现核

研究人员开发了一个新的框架，使用约束的Kolmogorov--Arnold网络（KANs）来发现积分微分方程中的记忆和非局部核。该方法旨在克服现有方法通常需要特定问题推导或限制性假设的局限性。该框架利用两种约束KAN：一种具有硬约束的单调-凸KAN（MC-KAN）和一种具有软惩罚的基于Chebyshev的KAN（Cheb-KAN），两者都旨在强制执行诸如正性和凸性等物理性质。然后将符号回归应用于学习到的核，以获得可解释的闭式表示。在包括二维非局部反应扩散方程在内的各种基准测试上的实验表明，在处理稀疏和噪声数据时，硬约束MC-KAN比软约束Cheb-KAN更具鲁棒性。 AI

影响 这项研究可能导致更鲁棒的方法来分析由积分微分方程控制的复杂系统，可能影响依赖此类建模的领域。

排序理由 该集群包含一篇研究论文，详细介绍了一种使用神经网络求解复杂数学方程的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• Bernstein polynomial
• Cheb-KAN
• Chebyshev
• Kolmogorov--Arnold network
• Kolmogorov--Arnold Networks
• MC-KAN
• Salah A Faroughi

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →