Ny analys förklarar varför adversariell träning förbättrar fysikbaserade neurala nätverk

arXiv cs.AI

Fysikbaserade neurala nätverk (PINNs) – modeller som löser differentialekvationer med hjälp av AI – är svårtränade och tenderar att misslyckas med komplexa, snabbt varierande lösningar. Forskare har nu tagit fram ett teoretiskt ramverk som förklarar varför en teknik kallad adversariell träning (där två nätverk tävlar mot varandra, likt GAN-modeller) faktiskt hjälper, och inte bara visar att den gör det. Resultaten är konkreta: den nya träningsalgoritmen uppges ge modeller som är flera storleksordningar mer exakta än befintliga alternativ.