Pablo Cortés

新的DPG损失函数提高了神经网络求解偏微分方程的准确性

研究人员为旨在准确预测参数依赖性偏微分方程（PDE）解的机器学习模型开发了新的基于残差的损失函数。这些函数，特别是源自不连续Petrov-Galerkin（DPG）方法中的函数，比传统的最小二乘损失函数具有更稳健的性能，尤其是在处理高对比度扩散参数时。该研究提供了理论论证和数值结果，以支持这些DPG损失函数在增强深度神经网络降阶模型预测能力方面的有效性。