Limited-memory BFGS
PulseAugur coverage of Limited-memory BFGS — every cluster mentioning Limited-memory BFGS across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
Levi-Civita坐标在AI动力学研究中改善动力学，但恶化优化
研究人员探索了在学习到的Hamiltonian动力学中使用Levi-Civita坐标，并将其与扰动Kepler系统中的笛卡尔坐标形式进行了比较。Levi-Civita坐标在稳定性和准确性方面表现出优越性，尤其是在高偏心率下，但它们在原始基优化条件方面带来了挑战。研究发现，精确特征控制和正交化可以恢复L-BFGS的基线拟合，但即使在规范对称化后，小型MLP在滚动误差方面仍然存在困难，这表明这些动力学的精确神经残差学习仍然是一个开放性问题。
-
新的双边 L-BFGS 算法增强了优化稳定性
研究人员开发了一种新的有限内存 BFGS (L-BFGS) 优化算法变体，称为双边 L-BFGS。该方法解决了逆海森近似中条件数爆炸的问题，这可能导致复杂优化景观中的数值不稳定性。双边 L-BFGS 算法使用几何包络动态约束条件数，在保持计算效率和全局收敛特性的同时确保稳定性。
-
混合深度学习方法改进激光波前重建
研究人员开发了一种新颖的混合方法来重建激光系统中的波前畸变，旨在提高效率和准确性。该方法结合了用于初始估计的卷积神经网络和用于精炼的L-BFGS算法。该方法在模拟中表现出高效率，并在物理实验中实现了精确聚焦，表明其适用于自适应光学系统的快速校准。
-
新研究探索用于符号回归的遗传编程 · 已追踪 2 个来源
两篇最新的 arXiv 论文探讨了用于符号回归 (SR) 的遗传编程 (GP)。一项研究“Evaluation of Population Initialization Methods for Genetic Programming-based Symbolic Regression”发现，包括使用优化解决方案作为种子的方法在内的不同随机初始化方法，在 GP-based SR 的准确性或模型复杂度方面没有显著差异。另一篇论文“Evol…
-
DualTCN框架利用AI提高海洋CSEM数据反演精度
研究人员开发了DualTCN，一个用于分析时域海洋可控源电磁（MCSEM）数据的新型深度学习框架。该框架通过直接重建电导率深度剖面，超越了传统方法，实现了25.3%的损耗降低和高预测精度。DualTCN在计算成本显著降低的同时，保持了对噪声的鲁棒性，显示出比传统优化技术有显著改进。
-
随机测试函数、$H^{-1}$ 范数等价性以及随机变分物理信息神经网络
研究人员开发了一种使用随机变分物理信息神经网络（SV-PINNs）求解偏微分方程的新方法。该方法利用了泛函的 $H^{-1}$ 范数与其针对随机测试函数的期望值之间的等价性。SV-PINNs 通过最小化该随机范数的经验近似来训练，为传统的数值方法提供了潜在的范式转变。