Исследователи представили PG-KINN — архитектуру, объединяющую метод Петрова-Галеркина с сетями Колмогорова-Арнольда (KAN) для решения дифференциальных уравнений в частных производных (PDE). Новый метод преодолевает ограничения традиционных многослойных перцептронов, таких как спектральная предвзятость и избыточная параметризация, обеспечивая более высокую точность и интерпретируемость при моделировании физических процессов.
Традиционные нейросетевые подходы для решения PDE часто сталкиваются с трудностями при аппроксимации сложных функций из-за фиксированной структуры активаций. Использование KAN позволяет заменить статические функции активации на обучаемые сплайны, которые структурно соответствуют кусочно-полиномиальным базисам классических численных методов. Это сближает глубокое обучение с методами конечных элементов, делая процесс решения уравнений более прозрачным и эффективным.
Интеграция метода Петрова-Галеркина в структуру KAN позволяет лучше учитывать граничные условия и физические ограничения задачи. В ходе тестирования на прямых и обратных задачах PDE предложенная модель продемонстрировала способность к более точной аппроксимации решений при меньшем количестве параметров по сравнению с классическими архитектурами на базе MLP.
Ключевые факты
- PG-KINN сочетает метод Петрова-Галеркина с сетями Колмогорова-Арнольда для решения PDE.
- Архитектура заменяет стандартные веса на обучаемые сплайны, улучшая интерпретируемость модели.
- Метод эффективно решает как прямые, так и обратные задачи дифференциальных уравнений.
- Подход снижает влияние спектральной предвзятости, характерной для многослойных перцептронов.
- Исследование направлено на повышение точности физико-информированного машинного обучения.