New Metaplectic Neural Networks Show Promise for Schrödinger Equation Approximation

研究人员开发了一种利用基于元辛运算符的字典的新型浅层神经网络。这种方法通过引入元辛变换（一种受辛几何启发的傅里叶变换扩展）来扩展Barron空间的概念。该研究建立了这些元辛Barron空间与Sobolev空间之间的嵌入关系，并使用字典原子证明了元辛Barron函数的蒙特卡洛近似界限。基于这些字典原子构建的深度神经网络架构经过测试，在近似求解时间相关薛定谔方程方面，与传统的物理信息神经网络相比，表现出了优越的性能。 AI

影响 引入了一种新颖的神经网络架构，在求解复杂微分方程方面具有提高性能的潜力。

排序理由 学术论文，详细介绍了新的神经网络架构及其理论基础。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• Barron spaces
• Fourier transform
• Metaplectic transformations and finite group actions on noncommutative tori
• Monte Carlo approximations of the Neumann problem
• neural metaplectic dictionary
• physics-informed neural networks
• Schrödinger equations with power potentials
• Sobolev spaces

• 论文
• 模型发布

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