新的PINN框架通过改进的激活函数增强了DDFT方程的求解

研究人员开发了一个新颖的物理信息神经网络（PINN）框架，旨在解决动态密度泛函理论（DDFT）中复杂的非局部偏微分方程。这种新方法采用了一种改进的洛伦兹激活函数，与tanh等标准激活函数相比，它提高了收敛速度。此外，该框架还利用了预计算的离散算子来有效地处理非局部卷积项，从而增强了训练过程。通过对四个示例的测试证明了该PINN框架的有效性，其结果与参考解具有良好的一致性，并保持了预期的梯度流行为。 AI

影响 这项研究引入了一种新颖的神经网络方法，可以提高动态密度泛函理论等领域的模拟精度和效率。

排序理由 学术论文，详细介绍了一种求解特定类型方程的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• CatalyzeX
• DagsHub
• Dynamic density functional theory versus kinetic theory of simple fluids
• GALERKIN FINITE ELEMENT METHOD AND FINITE DIFFERENCE METHOD FOR SOLVING CONVECTIVE NON-LINEAR EQUATION
• Gotit.pub
• Gradient-Flow Equations
• Hugging Face
• hyperbolic tangent
• Lorentzian Activation
• Physics-Informed Neural Network
• ScienceCast
• Soumaya Elkantassi

• 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 →