Sistema di Apprendimento Ampio Ispirato alla Fisica Risolve PDE Senza Retropropagazione
Un nuovo framework noto come sistema di apprendimento ampio ispirato alla fisica (PI-BLS) è stato introdotto dai ricercatori, segnando la prima istanza di un modello di apprendimento ispirato alla fisica che utilizza reti neurali casuali ampie. Questo approccio innovativo integra operatori differenziali governanti insieme a vincoli iniziali e al contorno in un problema di ottimizzazione lineare dello strato di output, sostituendo l'addestramento non lineare basato sul gradiente con una soluzione deterministica ai minimi quadrati tramite pseudoinversa. Condensando il processo di apprendimento in una singola fase di ottimizzazione lineare, elimina la necessità di retropropagazione ad alta intensità di risorse e architetture complesse. L'obiettivo è affrontare i tempi di addestramento lenti, gli elevati requisiti computazionali e la scalabilità limitata associati alle reti neurali ispirate alla fisica (PINN) convenzionali utilizzate per le equazioni differenziali alle derivate parziali (PDE). Questa ricerca è disponibile su arXiv come preprint 2607.25608.
Fatti principali
- PI-BLS è il primo framework di apprendimento ispirato alla fisica basato su reti neurali casuali ampie.
- Incorpora operatori differenziali governanti e vincoli iniziali/al contorno in un problema di ottimizzazione lineare dello strato di output.
- L'addestramento utilizza una soluzione deterministica ai minimi quadrati tramite pseudoinversa invece dell'ottimizzazione basata sul gradiente.
- L'intero processo di apprendimento è ridotto a una singola fase di ottimizzazione lineare.
- Elimina la necessità di retropropagazione e architetture profonde.
- Mira ad affrontare l'addestramento lento, i costi elevati e la scalabilità limitata delle PINN.
- Pubblicato su arXiv con ID 2607.25608.
- Il framework è progettato per risolvere equazioni differenziali alle derivate parziali.
Entità
Istituzioni
- arXiv