深度神经网络被视为离散动力系统

一篇新的研究论文提出将深度神经网络（DNNs）视为离散动力系统，并将其与神经积分方程及其偏微分方程（PDE）形式进行类比。该研究将Burgers方程和Eikonal方程的数值解与物理信息神经网络（PINNs）的解进行比较，表明PINNs提供了一条不同的计算路径。虽然PINNs可能比传统方法使用更多的参数且可解释性较差，但在基于网格的方法失效的高维问题中，其灵活性可能具有优势。 AI

影响 提出了理解DNNs的新理论框架，可能影响物理信息机器学习领域的未来研究。

排序理由 该集群包含一篇在arXiv上发表的研究论文，详细介绍了对深度神经网络的新理论视角。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• Abhisek Ganguly
• Burgers' equation
• Deep Neural Networks
• Discrete Dynamical Systems
• Eikonal equation
• Physics-Informed Neural Networks

• 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 →