Core Concepts
高次元の偏微分方程式を数値的に解くためのニューラルガルキンスキームは、アクティブなデータ収集と深層学習を組み合わせて効果的な結果を実現する。
Abstract
科学や工学の応用において、高次元領域での精度の高い関数近似が求められるが、十分な訓練データを収集することが困難である。本研究では、深層学習に基づくニューラルガルキンスキームが提案され、偏微分方程式の数値解法に活用される。この手法は、Dirac-Frenkel変分原理に基づきネットワークをトレーニングし、残差を時間経過に沿って最小化することで新しい訓練データを自律的に収集する。アクティブなデータ収集は高次元空間でネットワークの表現力を実現するために重要であり、従来の手法よりも優れた性能を示すことが示されている。
Stats
ネットワークパラメータの最適化における期待残差
数値積分スキーム(RK45)による時間刻みサイズ