PulseAugur
中
实时 09:29:15
English(EN) Multi-Grade Deep Learning for Partial Differential Equations with Applications to the Burgers Equation

新的深度学习方法解决复杂的偏微分方程优化问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的两阶段多级深度学习（TS-MGDL）方法，以解决训练偏微分方程（PDE）深度神经网络中的优化挑战。该方法首先逐步训练浅层网络以捕获低频到高频分量，然后对选定的层进行精炼以实现分层改进。在Burgers方程上的实验表明，TS-MGDL的性能显著优于单级学习，预测误差最多可降低60倍。 AI

影响 该方法为使用神经网络求解复杂的微分方程提供了一种更稳定、更有效的方法，可能对科学模拟和建模产生影响。

排序理由 该集群包含一篇学术论文，详细介绍了使用深度学习求解偏微分方程的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Yuesheng Xu, Taishan Zeng ·

    Multi-Grade Deep Learning for Partial Differential Equations with Applications to the Burgers Equation

    arXiv:2309.07401v2 Announce Type: replace-cross Abstract: Deep neural networks (DNNs) show great promise for solving partial differential equations (PDEs), but their deep architectures introduce complex, large-scale, non-convex optimization challenges. Nonlinear PDEs, like the vi…

相关实体

相关话题