본 논문에서는 시간 의존적 확률 밀도 함수를 효율적으로 근사하기 위한 새로운 딥 러닝 기반 방법을 제안한다.
리우빌 방정식과 관련된 시간 의존적 KRnet (tKRnet)을 개발하여 상태 변수의 확률 밀도 함수를 명시적으로 모델링한다. 이를 통해 차원의 저주 문제를 완화할 수 있다.
적응형 샘플링 기반 물리 정보 학습 기법을 제안한다. 이 방법은 tKRnet을 학습하는 과정에서 점진적으로 샘플링 포인트를 업데이트하여 효율적인 학습을 가능하게 한다.
장기 적분 문제에 대처하기 위해 시간 분해 기법을 도입한다. 이를 통해 장기 적분 시 발생할 수 있는 성능 저하 문제를 해결한다.
근사 해와 정확한 해 사이의 Kullback-Leibler divergence를 이론적으로 분석하여 제안 방법의 수렴성을 입증한다.
다양한 수치 실험을 통해 제안 방법의 우수한 성능을 입증한다.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Junjie He,Qi... at arxiv.org 05-07-2024
https://arxiv.org/pdf/2405.02810.pdfDeeper Inquiries