PulseAugur
中
实时 08:26:51
English(EN) Derivative Computation in PINNs: Automatic Differentiation, Finite Differences and Beyond

新研究探讨PINNs的有限差分方法

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新论文探讨了在物理信息神经网络（PINNs）中使用有限差分（FD）方法计算导数，并将其作为自动微分（AD）的一种替代方案。研究表明，当经过适当校准时，FD方法在各种批次大小下可以与AD在准确性上相媲美，同时速度更快、内存效率更高。该论文还指出了标准PyTorch自动微分在某些神经网络架构中可能存在的潜在不准确性，并建议FD作为在相关尺度下逐样本导数的一种更可行的近似方法。 AI

影响 这项研究可能导致物理信息神经网络更高效、更准确的训练，从而影响科学机器学习应用。

排序理由 该集群包含一篇详细介绍神经网络导数计算新方法的学术论文。[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 →

新研究探讨PINNs的有限差分方法

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Maciej J. Mikulski, Tadeusz Uhl ·

    PINNs 中的导数计算：自动微分、有限差分及其他

    arXiv:2608.11020v1 Announce Type: new Abstract: We systematically investigate finite-difference (FD) derivative computation in Physics-Informed Neural Networks (PINNs) as an alternative to automatic differentiation (AD). On three benchmark PDEs we show that, with a properly calib…

相关实体

相关话题