研究人员开发了一种新颖的高斯-牛顿优化方法,专门用于有限基物理信息神经网络(FBPINNs)。该方法利用了 FBPINNs 因其重叠域分解架构而固有的块稀疏结构。通过采用稀疏自动微分和图着色,该方法能够高效地计算和利用雅可比矩阵和高斯-牛顿矩阵,从而降低计算成本和内存使用量。该技术允许以块稀疏形式组装高斯-牛顿系统,从而可以使用可扩展的稀疏线性代数求解器,并显著加速复杂偏微分方程的优化速度,优于一阶方法。 AI
影响 该方法可以实现更高效的物理信息神经网络训练,用于复杂的科学模拟。
排序理由 该条目描述了一种用于特定类型神经网络的新优化方法,该方法在研究论文中有详细介绍。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
- FBPINNs
- finite basis physics-informed neural networks
- Gauss–Newton algorithm
- Gauss-Newton matrix
- graph coloring
- Jacobian matrix
- partial differential equations
- sparse automatic differentiation
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →