Deep Wave Network per la modellazione della dinamica fisica multiscala
La Deep Wave Network, una nuova architettura di deep learning proposta, mira a modellare la dinamica fisica multiscala in sistemi gassosi, fluidi e plasmatici. La ricerca sottolinea che valutare i modelli di deep learning esclusivamente a una singola dimensione fissa può portare a conclusioni inaccurate, poiché diverse architetture mostrano un diverso rapporto costo-precisione al variare della larghezza e della profondità. Ciò è particolarmente significativo per i modelli encoder-decoder di tipo U-Net, noti per la loro efficacia nel rappresentare caratteristiche su varie scale spaziali. U-Net raggiunge una rappresentazione multirisoluzione attraverso un encoder che riduce la risoluzione spaziale e un decoder che la ripristina per le previsioni, utilizzando connessioni skip per mantenere informazioni a scala fine. Mentre la larghezza di U-Net viene spesso regolata, la sua profondità rimane costante. La Deep Wave Network cerca di superare questi vincoli con una nuova architettura che migliora la cattura della dinamica multiscala.
Fatti principali
- La Deep Wave Network è proposta per modellare la dinamica fisica multiscala.
- Le prestazioni dei modelli di deep learning sono governate dalla capacità architetturale, con larghezza e profondità come controlli principali.
- I modelli vengono spesso confrontati a una singola dimensione fissa, il che può essere fuorviante.
- I modelli encoder-decoder di tipo U-Net sono ampiamente utilizzati per la dinamica di gas, fluidi e plasma.
- U-Net costruisce una rappresentazione multirisoluzione tramite encoder e decoder.
- Le connessioni skip preservano le informazioni a scala fine e migliorano l'ottimizzazione.
- La larghezza di U-Net viene regolarmente ottimizzata, mentre la profondità è tipicamente mantenuta fissa.
- Lo studio è pubblicato su arXiv con ID 2605.04198.
Entità
Istituzioni
- arXiv