arXiv · 25.06.2026 ·Исследования и наука

fTNN: новый метод тензорных нейронных сетей для дробных дифференциальных уравнений

Исследователи представили fTNN — детерминированный метод тензорных нейронных сетей, предназначенный для решения задач с дробным лапласианом на ограниченных доменах. Подход эффективно справляется с дробным уравнением Пуассона и нестационарными уравнениями адвекции-диффузии, используя адаптивное разбиение интеграции с пространственно-зависимым радиусом ближнего поля для повышения точности вычислений в сложных физических моделях.

Традиционные численные методы для дробных дифференциальных уравнений (PDE) часто сталкиваются с высокой вычислительной сложностью из-за нелокального характера операторов. Метод fTNN решает эту проблему путем декомпозиции оператора на ближнюю и дальнюю составляющие. Это позволяет значительно оптимизировать процесс обучения нейросети, сохраняя при этом высокую точность аппроксимации решений, что критически важно для моделирования физических процессов, описываемых дробными производными.

Разработка опирается на геометрически адаптированную схему интегрирования. Такой подход позволяет нейронной сети лучше улавливать особенности поведения функции вблизи границ домена, где стандартные методы часто дают погрешности. Использование тензорной структуры в архитектуре сети обеспечивает компактное представление данных, что снижает требования к памяти и ускоряет сходимость модели при решении многомерных задач.

Ключевые факты

fTNN специализируется на решении дробных дифференциальных уравнений (fPDE) с использованием тензорных подпространств.
Метод включает адаптивное разбиение интеграции, которое динамически корректирует радиус ближнего поля в зависимости от пространственных координат.
Архитектура протестирована на классических задачах, включая дробное уравнение Пуассона и уравнение дробной адвекции-диффузии.
Подход позволяет эффективно работать с нелокальными операторами, минимизируя вычислительные затраты по сравнению с классическими сеточными методами.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Машинное обучение Tensorion: новый метод оптимизации с учетом тензорной структуры весов Исследователи представили Tensorion — метод оптимизации, расширяющий возможности алгоритма Muon для обучения нейронных сетей. В отличие от стандартных оптимизаторов вроде Adam, которые воспринимают параметры как плоские векторы, Tensorion учитывает многолинейную структуру весовых матриц. Это позволяет эффективнее использовать геометрию пространства параметров, ускоряя сходимость и повышая качество обучения современных архитектур. arXiv · Машинное обучение Оптимизация гиперпараметров в физически информированных нейросетях Исследователи представили новый подход к обучению физически информированных нейронных сетей (PINNs), предназначенных для решения дифференциальных уравнений в частных производных. Основная сложность таких моделей заключается в нестабильной сходимости и высокой чувствительности к выбору гиперпараметров, что вызвано невыпуклой структурой функции потерь, включающей множество физических ограничений. arXiv · Машинное обучение Новый метод решения нелинейных уравнений с нейросетями Исследователи предложили новый численный метод для решения нелинейных дифференциальных уравнений с использованием физически информированных нейронных сетей (PINNs). Метод основан на подходе Беллмана-Калабы, который сводит нелинейную задачу к последовательности линейных подзадач. Каждая из них решается методом наименьших квадратов с помощью QR-разложения. arXiv · Исследования и наука Error-Conditioned Neural Solvers: новый подход к решению дифференциальных уравнений Исследователи представили метод Error-Conditioned Neural Solvers, который повышает точность нейросетевых суррогатных моделей при решении дифференциальных уравнений в частных производных (PDE). В отличие от стандартных подходов, рассматривающих задачу как чисто статистическую, новый метод динамически корректирует нарушения физических ограничений, что позволяет моделям эффективнее работать за пределами обучающей выборки и минимизировать остаточные ошибки. arXiv · Исследования и наука Новый метод интерпретируемости для временных графовых нейронных сетей Исследователи представили новый метод объяснения работы временных графовых нейронных сетей (ETGNN), основанный на анализе потоков информации, индуцированных признаками. Подход решает проблему «черного ящика» в сложных моделях, которые анализируют динамические данные, такие как социальные сети или рекомендательные системы, позволяя точно отслеживать, какие именно события и признаки влияют на итоговые предсказания нейросети. Hacker News · Инфраструктура для агентов Deltatensors: новый способ хранения дообученных весов моделей через сжатые дельты Библиотека Deltatensors предлагает оптимизированный подход к хранению и распространению дообученных весов нейросетей. Вместо сохранения полных копий модели, инструмент вычисляет и сжимает разницу (дельты) между базовыми весами и весами после fine-tuning. Это позволяет значительно сократить объем дискового пространства, необходимого для версионирования и обмена специализированными моделями в агентных системах и пайплайнах разработки. arXiv · Машинное обучение Ускорение численного моделирования потоков с помощью графовых нейросетей Исследователи представили новый метод ускорения алгебраических многосеточных решателей (AMG), используемых для решения уравнения Пуассона при моделировании несжимаемых потоков. Традиционные линейные методы часто сталкиваются с вычислительными сложностями из-за неоднородности расчетных сеток, что делает их узким местом в инженерных расчетах. arXiv · Исследования и наука Рекуррентные нейросети могут аппроксимировать непрерывные функции через время работы Исследователи представили доказательство того, что рекуррентные нейронные сети (RNN) способны аппроксимировать любые непрерывные функции на заданном отрезке, используя уникальный подход к повышению точности. В отличие от классических методов, требующих создания новой архитектуры сети при каждом повышении требований к точности, предложенная модель остается неизменной. Вместо изменения структуры сети, точность вычислений достигается за счет увеличения времени работы системы. Hacker News · Машинное обучение Новый подход к решению нейронных ОДУ Исследователи предложили метод решения нейронных обыкновенных дифференциальных уравнений (ОДУ) с нуля. В статье на Tinyvolt подробно описаны принципы и алгоритмы, которые позволяют более точно моделировать динамические системы. arXiv · Машинное обучение Новый метод стабилизации динамики обучения нейросетей через инерцию Исследователи предложили модификацию динамики Дирака-Френкеля, добавляющую инерцию для решения проблем неустойчивости при обучении нелинейно параметризованных моделей, таких как нейронные сети. Введение инерционного члена позволяет сохранять информацию о скорости изменения параметров из прошлых состояний, что делает процесс оптимизации более стабильным и предсказуемым даже при использовании избыточных архитектур.

← Все материалы