PINNとブースティングの統合による微分方程式の解法向上

物理情報ニューラルネットワークにブースティング手法を組み合わせることで、Lane-Emden型方程式の予測精度と汎用性を大幅に向上させる新しいハイブリッドフレームワークを提案している。

• 天体物理学等で用いられる非線形微分方程式の解法におけるPINNの限界に対処する。
• PINNの残差誤差をLightGBMやXGBoostなどの回帰モデルで学習するブースティング手法を導入する。
• 補正された出力を集約することで高精度な予測を実現する。
• 標準PINNベースラインとの比較により、予測誤差の大幅な削減と汎用性の向上を実証している。

原文タイトル: Boosted Physics-Informed Neural Networks for Solving Homogeneous and Non-Homogeneous Lane-Emden Type Equations

arXiv で原文を見る

この要約は AI が生成したものであり、arXiv および論文著者の見解ではありません。