×
Khoo、Yuehaw；陆建峰；英、乐兴

使用人工神经网络求解高维committer函数。 （英语） Zbl 1498.60222号

Res.数学。科学。 6，第1期，第1号论文，第13页（2019年）.
摘要：在本文中，我们提出了一种基于人工神经网络的方法来研究随机过程控制的状态之间的转换。特别地，我们针对满足高维Fokker-Planck方程的过渡路径理论的中心对象committor函数，寻求数值格式。通过使用此类偏微分方程的变分公式，并将committor函数参数化为神经网络，可以通过使用随机算法优化神经网络权重来获得近似值。数值算例表明，对于高维问题，可以达到中等精度。

引用于45文件

MSC公司：

60小时10分 随机常微分方程（随机分析方面）
84年第35季度 福克-普朗克方程
35卢比60 随机偏微分方程的偏微分方程
65立方米 随机微分和积分方程的数值解
68T05型 人工智能中的学习和自适应系统

关键词：

提交人功能；福克-普朗克方程

软件：

亚当；达奇；DGM公司；TensorFlow公司
PDF格式BibTeX公司 XML格式引用
\textit{Y.Khoo}等人，研究数学。科学。6，第1期，第1号论文，第13页（2019年；Zbl 1498.60222）
全文： 内政部 arXiv公司

参考文献：

[1] Abadi，M.，Agarwal，A.，Barham，P.，Brevdo，E.，Chen，Z.，Citro，C.，Corrado，G.S.，Davis，A.，Dean，J.，Devin，M.版本，I。，Talwar，K.、Tucker，P.、Vanhoucke，V.、Vasudevan，V.，Viegas，F.、Vinyals，O.、Warden，P.，Wattenberg，M.、Wicke，M..、Yu，Y.、Zheng，X.：Tensorflow：异构分布式系统上的大规模机器学习。arXiv预印arXiv:1603.04467（2016）
[2] Berg，J.，Nyström，K.：复杂几何中偏微分方程的统一深度人工神经网络方法。arXiv预印arXiv:1711.06464（2017）
[3] Carleo，G.，Troyer，M.：用人工神经网络解决量子多体问题。《科学》355（6325），602-606（2017）·Zbl 1404.81313号 ·doi:10.1126/science.aag2302
[4] Coifman，R.R.、Kevrekidis，I.G.、Lafon，S.、Maggioni，M.、Nadler，B.：随机系统的扩散图、约化坐标和低维表示。多尺度模型。模拟。7(2), 842-864 (2008) ·Zbl 1175.60058号 ·doi:10.1137/070696325
[5] Coifman，R.R.，Lafon，S.：扩散贴图。申请。计算。哈蒙。分析。21(1), 5-30 (2006) ·Zbl 1095.68094号 ·doi:10.1016/j.acha.2006.04.006
[6] Hinton，G.E.，Salakhutdinov，R.R.：用神经网络降低数据的维数。《科学》313（5786），504-507（2006）·Zbl 1226.68083号 ·doi:10.1126/science.1127647
[7] Kingma，D.，Ba，J.：亚当：一种随机优化方法。arXiv预印arXiv:1412.6980（2014）
[8] Lagaris，I.E.，Likas，A.，Fotiadis，D.I.：用于求解常微分方程和偏微分方程的人工神经网络。IEEE传输。神经网络。9(5), 987-1000 (1998) ·doi:10.1109/72.7712178
[9] Lai，R.，Lu，J.：提交函数的Fokker-Planck算子的点云离散化。多尺度模型。模拟。arXiv预印本arXiv:1703.09359（2017）（出版中）·Zbl 1431.65235号
[10] LeCun，Y.、Bengio，Y.和Hinton，G.：深度学习。《自然》521（7553），436-444（2015）·doi:10.1038/nature14539
[11] Lu，J.，Nolen，J.：反应轨迹和过渡路径过程。普罗巴伯。理论关联。字段161195-244（2015）·Zbl 1343.60074号 ·doi:10.1007/s00440-014-0547-y
[12] Lu，J.，Nolen，J.:反应轨迹和过渡路径过程。普罗巴伯。理论关联。字段161（1-2），195-244（2015）·Zbl 1343.60074号 ·doi:10.1007/s00440-014-0547-y
[13] Schmidhuber，J.：神经网络的深度学习：概述。神经网络。61, 85-117 (2015) ·doi:10.1016/j.neunet.2014.09.003
[14] Sirignano，J.，Spiliopoulos，K.：DGM：解偏微分方程的深度学习算法。arXiv预印arXiv:1708.07469（2017）·兹比尔1416.65394
[15] Vanden-Eijnden，E.，Ventroli，M.：重温计算反应管和自由能的有限温度串方法。化学杂志。物理学。130, 194103 (2009) ·doi:10.1063/1.3130083
[16] E、 W.，Han，J.，Jentzen，A.：基于深度学习的高维抛物型偏微分方程和倒向随机微分方程数值方法。Commun公司。数学。Stat.5（4），349-380（2017）·Zbl 1382.65016号
[17] E、 W.，Ren，W.，Vanden-Eijnden，E.：研究罕见事件的有限温度字符串方法。《物理学杂志》。化学。B 109，6688-6693（2005）
[18] E、 W.，Vanden-Eijnden，E.：过渡路径理论。J.Stat.物理。123(3), 503 (2006) ·Zbl 1101.82016年
[19] E、 W.，Vanden-Eijnden，E.：罕见事件研究的过渡路径理论和路径查找算法。物理年鉴。化学。61, 391-420 (2010)
[20] E、 W.，Yu，B.：deep Ritz方法：一种基于深度学习的数值算法，用于解决变分问题。Commun公司。数学。统计6，1-12（2018年）·Zbl 1392.35306号
[21] Zhang，L.，Wang，H.，E，W.：大型原子和分子系统的强化动力学。arXiv预印arXiv:1712.03461（2017）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。