8%-nál kisebb hibával jósolja a hőátadást az új PINN-modell
A modell adaptívan egyensúlyozza a fizikai törvényeken és az adatokon alapuló felügyeletet, különösen kevés adat esetén nyújt stabil és pontosabb eredményeket.
Önszabályozó, fizikailag informált neurális hálózatot (PINN) fejlesztettek ki kutatók, amely adaptívan súlyozza a fizikai és adatvezérelt felügyeletet, jelentősen javítva a tudományos gépi tanulás pontosságát adatínség idején — írja az ArXiv-en megjelent tanulmány.
A korábbi PINN-megközelítések rögzített vagy heurisztikus súlyozást használtak a fizikai maradványok és az adatveszteség között. Az új módszer ezzel szemben egy tanulásra képes keverő neuront vezet be, amely dinamikusan állítja be az egyes tényezők hozzájárulását a bizonytalanságuk alapján. Ez a mechanizmus stabil betanítást és jobb általánosítást tesz lehetővé manuális hangolás nélkül.
Hatékonyabb előrejelzés kevés adattal
A hatékonyság további növelése érdekében a kutatók transzfertanulási stratégiát is integráltak. Ez a megközelítés újrahasznosítja a kapcsolódó területekről származó reprezentációkat, és új fizikai rendszerekhez adaptálja azokat, akár korlátozott adatokkal is. A keretrendszert folyékony fém miniatűr hűtőbordák hőátadásának előrejelzésére validálták mindössze 87 CFD adatpont felhasználásával.
Az adaptív PINN-modell kevesebb mint 8%-os hibát ért el, felülmúlva a sekély neurális hálózatokat, a kernel-módszereket és a hagyományos fizikai modelleket. A tanulmány a 2605.05217v1 azonosítón érhető el az ArXiv preprint szerveren.