PulseAugur
中
实时 18:24:20
English(EN) Stochastic Dimension Zeroth-Order Estimator: Stable and Memory-Efficient Training of PINNs

新的SDZE框架可在单个GPU上训练10M维度的PINN

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为随机维度无零阶估计器（SDZE）的新框架，以解决物理信息神经网络（PINNs）训练中的内存和计算限制。SDZE通过同步扰动间的随机数来缓解方差爆炸，从而实现空间和内存要求方面的维度无关复杂度。该方法还减少了参数探索方差，使得在单个NVIDIA A100 GPU上训练多达1000万维度的PINN成为可能，显著提高了效率。 AI

影响 这种新方法可以显著减少训练复杂物理信息神经网络所需的计算资源，从而可能加速依赖于求解高维偏微分方程的领域的研究。

排序理由 详细介绍一种新的神经网络训练方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

新的SDZE框架可在单个GPU上训练10M维度的PINN

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zhangyong Liang, Huanhuan Gao ·

    随机维度零阶估计器：PINNs 的稳定且内存高效的训练

    arXiv:2603.24002v3 Announce Type: replace Abstract: Physics-Informed Neural Networks (PINNs) for high-dimensional and high-order partial differential equations (PDEs) are primarily constrained by the $\mathcal{O}(d^k)$ spatial derivative complexity and the $\mathcal{O}(P)$ memory…

相关实体

相关话题