查看“WikiEdge:ArXiv-2406.11045/background”的源代码

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2406.11045/background|action=edit}} 编辑]</div>
这篇文献的背景主要集中在以下几个方面：
# '''[[偏微分方程]]（Partial Differential Equations, PDEs）在物理现象建模中的重要性'''：
#* 许多自然和工程系统中的物理现象都依赖于[[PDEs]]进行建模，因此求解[[PDEs]]对于理解这些系统的行为至关重要。
#* 当边界条件和初始条件变得复杂时，[[PDEs]]的精确解通常难以获得，这就需要采用各种数值方法来获得近似解。
# '''[[人工智能]]（Artificial Intelligence, AI）在[[PDEs]]求解中的应用'''：
#* [[AI for PDEs]]是[[AI for science]]的重要方向之一，指的是一类使用深度学习求解[[PDEs]]的算法。
#* 包括[[Physics-Informed Neural Networks]] (PINNs)、[[operator learning]]和[[Physics-Informed Neural Operator]] (PINO)等方法。
# '''[[Kolmogorov-Arnold Networks]] (KAN)在[[PINNs]]中的潜在优势'''：
#* KAN提供了一种新的网络结构，与[[多层感知器]]（MLP）相比，KAN具有更好的可解释性和更少的参数需求。
#* KAN基于[[Kolmogorov-Arnold表示定理]]，理论上可以更有效地近似多变量连续函数。
综上所述，这篇文献的背景强调了在求解[[PDEs]]问题中，利用基于KAN的深度学习框架（即[[Kolmogorov-Arnold-Informed Neural Network]]，KINN）来提高求解效率和准确性的潜力。