@第{CiCP-34-869条，author={王、洪慧露、陆松、史记和黄、高}，title＝{学习物理知情神经网络的专门激活函数}，journal={计算物理中的通信}，年份={2023}，体积={34}，数字={4}，页数={869--906}，抽象={众所周知，基于物理的神经网络（PINN）存在优化困难。在这项工作中，我们揭示了优化之间的联系PINN和激活功能的困难。具体来说，我们展示了PINN在求解具有不同性质的偏微分方程时，对激活函数具有很高的敏感性。现有的工作通常通过低效的试错来选择激活函数。收件人避免了低效的手动选择，减轻了PINN，我们引入自适应激活函数来搜索最优函数在解决不同的问题时。我们比较了不同的自适应激活功能并讨论其在PINN环境中的局限性。此外，我们建议根据PINN调整候选激活函数的学习组合优化，对学习的功能。这是通过删除无法实现的激活功能来实现的从候选集提供高阶导数，并结合初等根据我们在手。我们使用自适应斜率进一步增强搜索空间。提出的自适应激活函数可用于解译不同PDE系统方式。它的有效性在一系列基准上得到了证明。代码位于https://github.com/LeapLabTHU/AdaAFforPINNs。
},issn={1991-7120}，doi={https://doi.org/10.4208/cicp.OA-2023-0058},网址={http://global-sci.org/intro/article_detail/cicp/21225.html}}
TY-JOUR公司物理知情神经网络的T1学习专用激活函数AU-Wang、HonghuiAU-鲁，鲁AU-宋世吉AU-黄，高JO-计算物理通信VL-4级SP-869欧洲药典-9062023年上半年DA-2023/11序号-34做-http://doi.org/10.4208/cicp.OA-2023-0058你-https://global-sci.org/intro/article_detail/cicp/22125.htmlKW-偏微分方程、深度学习、自适应激活函数、基于物理的神经网络。实验室-众所周知，基于物理的神经网络（PINN）存在优化困难。在这项工作中，我们揭示了优化之间的联系PINN和激活功能的困难。具体来说，我们展示了PINN在求解具有不同性质的偏微分方程时，对激活函数具有很高的敏感性。现有的工作通常通过低效的试错来选择激活函数。收件人避免了低效的手动选择，减轻了PINN，我们引入自适应激活函数来搜索最优函数在解决不同的问题时。我们比较了不同的自适应激活功能并讨论其在PINN环境中的局限性。此外，我们建议根据PINN调整候选激活函数的学习组合优化，对学习的功能。这是通过删除无法实现的激活功能来实现的从候选集提供高阶导数，并结合初等根据我们在手。我们使用自适应斜率进一步增强搜索空间。提出的自适应激活函数可用于解译不同PDE系统方式。它的有效性在一系列基准上得到了证明。代码位于https://github.com/LeapLabTHU/AdaAFforPINNs。
王红辉、陆璐、宋世济和高煌。(2023). 学习物理信息神经网络的专用激活函数。计算物理中的通信.34(4).869-906.doi:10.4208/cicp。行动计划-2023-0058
复制到剪贴板
