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

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2406.11045/methods|action=edit}} 编辑]</div>
这篇论文的工作方法主要围绕开发和评估一种基于[[Kolmogorov-Arnold网络]]（KAN）的[[物理信息神经网络]]（KINN），用于解决正向和逆向问题。以下是这部分的主要内容：
# '''[[Kolmogorov-Arnold网络]]（KAN）'''：
#* 引入了KAN，这是一种新型的神经网络，它基于[[Kolmogorov-Arnold表示定理]]构建，能够通过有限数量的单变量函数的组合来近似多变量连续函数。
# '''[[物理信息神经网络]]（PINNs）'''：
#* 讨论了PINNs在解决[[偏微分方程]]（PDEs）中的应用，包括强形式、能量形式和逆形式的PINNs。
# '''[[Kolmogorov-Arnold-Informed神经网络]]（KINN）'''：
#* 提出了KINN，这是基于KAN的PINNs的变体，用于解决计算固体力学中的PDEs。KINN在不同的PDE形式上进行了系统比较，包括多尺度、奇异性、应力集中、非线性超弹性、异质性和复杂几何问题。
# '''数值实验'''：
#* 通过一系列数值实验，比较了KAN和传统的[[多层感知器]]（MLP）在解决PDEs方面的准确性和收敛速度。实验结果表明，KINN在多数情况下比MLP具有更高的准确性和更快的收敛速度。
# '''方法论讨论'''：
#* 论文还从[[神经切线核]]（NTK）的角度对KAN进行了系统分析，发现KAN的频谱偏差远小于MLP，使其更适合解决高低频混合问题。
#* 讨论了KAN在解决具有复杂几何形状的PDE问题时的局限性，并提出了可能的改进方向，如引入[[有限元方法]]中的网格调整技术和概念。