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
本文提出一种针对 Kolmogorov PDEs 的数值逼近方法,旨在克服高维情况下维数诅咒和变量精确性缺乏的问题,且适用于金融衍生品的定价模型。在研究的示例中包括热方程、Black-Scholes 模型、随机 Lorenz 方程和 Heston 模型,实现了高维情况下准确性和速度方面的有效逼近。
Jun, 2018
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
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。
Jun, 2017
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
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
应用偏微分方程模型到现实世界问题是科学机器学习的重要课题。本文提出一种结合基于有限体积法的离散化方案和数值线性代数技术的框架,通过实验验证在空间与时间方面的海啸模拟中该方法相比之前的基于插值法的技术有显著的性能提升。
Jun, 2024
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
利用稀疏技术和随机采样的最新进展,本研究基于深度学习开发和分析了一个高维偏微分方程求解器,理论和数值结果表明其在稳定性和准确性方面可以与一个新型的压缩谱逼近方法竞争,并证明了存在一类可训练的深度神经网络,具有适当的网络结构和样本复杂度的充分条件,并以对数或最坏情况下的线性扩展在维度上稳定且准确地逼近扩散 - 反应型偏微分方程的高概率。
Jun, 2024
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
该论文提出了一种将多层求解器和基于神经网络的深度学习方法相结合的新方法,用于解决高维参数的偏微分方程数值解问题,并在理论和实验方面都得到了验证。
Apr, 2023