Feb, 2024
科学机器学习的机制性神经网络
Mechanistic Neural Networks for Scientific Machine Learning
Adeel Pervez, Francesco Locatello, Efstratios Gavves
TL;DR本文介绍机制性神经网络，它是一种适用于科学中的机器学习应用的神经网络设计。它通过在标准架构中加入新的机制性模块，明确地学习代表物理方程的微分方程，揭示数据的基本动态，并增强数据建模的可解释性和效率。我们的方法的核心是一种新颖的放松线性规划求解器 “NeuRLP”，受到一种将线性常微分方程组化简为线性规划求解的技术的启发。这种方法与神经网络结合得很好，并超越了传统常微分方程求解器的局限，实现了可扩展的 GPU 并行处理。总的来说，机制性神经网络在科学机器学习应用中展示了它们的多样性，能够灵活处理从方程式发现到动态系统建模的任务。我们证明了它们在分析和解释各种复杂科学数据方面的全面能力，并在各个应用中展示出优于专门的最先进方法的显著性能。