Jun, 2017

基于深度学习的高维抛物型偏微分方程和反向随机微分方程数值解法

PDF
TL;DR该论文提出了一种基于强化学习和神经网络的算法用于解决高维情况下的偏微分方程和反向随机微分方程等数学问题，并在物理和金融学领域的各种非线性情况下进行了测试和优化。
partial differential equationsbackward stochastic differential equationsreinforcement learningneural networkfinancial derivatives
发现论文，激发创造
  • 使用深度学习求解高维偏微分方程

    通过使用神经网络逼近未知解的梯度来解决高维偏微分方程，该算法在包括非线性 Black-Scholes 方程、Hamilton-Jacobi-Bellman 方程和 Allen-Cahn 方程等方程上均取得了精确和低误差的结果。

    Jul, 2017

  • 高维完全非线性偏微分方程和二阶反向随机微分方程的机器学习逼近算法

    本文介绍一种新的用于解决高维金融模型中的非线性偏微分方程的方法，该方法包含非线性现象、深度神经网络和随机梯度下降类型优化过程，并通过海量数据的数值结果证明了该方法的高效性和精确性。

    Sep, 2017

  • 一种基于反向微分的深度学习算法求解高维非线性反向随机微分方程

    提出了一种基于反向差分深度学习的新型算法，用于解决高维非线性反向随机微分方程问题，并通过 Malliavin 微积分将问题重构为差分深度学习问题，并使用 Euler-Maruyama 方法对积分进行离散化，通过优化损失函数来对 DNN 参数进行反向优化，在理论和实验上证明了该算法的高效性。

    Apr, 2024

  • 高维随机偏微分方程深度神经网络代理

    利用深度学习方法解决高维随机偏微分方程的问题。通过使用全连接深度残差网络来逼近随机偏微分方程，在确定逼近深度神经网络的参数时，采用了 SGD 的变种，并在扩散和热传导问题上得到了验证。

    Jun, 2018

  • 高维非线性抛物型偏微分方程的深度遗传算法（Deep-GA）方法

    提出了一种称为深度遗传算法（deep-GA）的新方法，通过将遗传算法（GA）嵌入求解器以优化初始猜测的选择，加速深度 BSDE 方法的性能，达到在更广泛的区间内对非线性 PDE 进行更快的收敛，并在黑 - 斯科尔斯（BS）方程和哈密尔顿 - 雅各比 - 贝尔曼（HJB）方程两个非线性抛物 PDE 上与深度 BSDE 方法的结果进行比较，表明我们的方法提供了可比较的精确性和显著提高的计算效率。

    Nov, 2023

  • 从连续时间公式到离散化方案：张量列车和强健回归用于 BSDEs 和抛物型 PDEs

    数值逼近偏微分方程在高维度上面临巨大挑战，因为传统的基于网格的方法受到维度灾难的困扰。最近的尝试依赖于蒙特卡罗方法和变分公式的结合，使用神经网络进行函数逼近。本文在前人工作的基础上，认为张量网络为抛物型偏微分方程提供了一个吸引人的框架：在反向随机微分方程和回归型方法的重构相结合的方法中，利用潜在低秩结构实现了压缩和高效计算的优势。强调连续时间观点，我们开发了迭代方案，其在计算效率和稳健性方面有所不同。我们在理论上和数值上都证明了我们的方法能在精度和计算效率之间取得有利的权衡。而以往的方法要么准确要么快速，我们已经找到了一种新的数值策略，经常能够同时兼顾这两个方面。

    Jul, 2023

  • 基于鲁棒的随机微分方程变分公式的深度学习求解线性偏微分方程

    该研究探讨了利用 Monte Carlo 方法和深度学习解决高维偏微分方程（PDE）的有效算法，并提供了一些新方法，这些方法在利用梯度优化方法最小化相应损失时具有低差异性，并提高了所提到的现有深度学习方法的性能。

    Jun, 2022

  • 基于神经 RDE 模型求解路径相关偏微分方程

    本文提出了一种基于神经粗糙微分方程（NRDE）模型来学习路径相关部分微分方程（PPDE），该模型通过对数签名特征有效地编码路径信息并捕捉基本动态，在 PPDE 解的连续时间模型中提供了内存使用效率和处理维度扩展性的优点，并通过多个数值实验验证了其性能优越性。

    Jun, 2023

  • DGM：一种用于解决偏微分方程的深度学习算法

    提出了一种名为 Deep Galerkin Method（DGM）的算法，它使用深度神经网络来解决高维偏微分方程问题。相较于形成网格，该算法不依赖于网格，而是通过对随机采样的时间和空间点的批量训练来实现。它在一类高维自由边界的偏微分方程、高维哈密顿 - 雅各比 - 贝尔曼（Hamilton-Jacobi-Bellman）偏微分方程和 Burgers 方程上得到了测试，并且在高维空间中能够准确地近似各种边界条件和物理条件下的 Burgers 方程的一般解。此外，论文还证明了神经网络在一类拟线性抛物型偏微分方程上的逼近能力。

    Aug, 2017

  • 偏微分方程与深度神经网络的结合：综述

    本文对深度神经网络用于偏微分方程 (PDEs) 求解的现状和潜在应用进行了综述，分析和分类了相关方法在科学研究和工程场景中的应用，介绍了这一领域的来源、历史、特点、类型以及未来趋势。

    Oct, 2022