WikiEdge:ArXiv-2406.11045/terms
跳至導覽
跳至搜尋
這篇文章的術語表如下：
- 物理信息神經網絡（Physics-Informed Neural Networks, PINNs）：一種深度學習框架，用於解決正向和逆向問題，通過將物理定律編碼到神經網絡的訓練過程中。
- Kolmogorov-Arnold 網絡（Kolmogorov-Arnold Networks, KAN）：基於Kolmogorov-Arnold表示定理構建的神經網絡，能夠通過激活函數的學習和參數優化來逼近多變量連續函數。
- Kolmogorov-Arnold 信息神經網絡（Kolmogorov-Arnold-Informed Neural Network, KINN）：提出的一種基於KAN的神經網絡，用於解決不同形式的偏微分方程（PDEs）。
- 邊界積分型神經網絡（Boundary-Integral Type Neural Networks, BINN）：一種用於解決PDEs逆問題的神經網絡，通常基於邊界積分方程。
- 深度能量方法（Deep Energy Method, DEM）：一種用於求解PDEs能量形式的數值算法，通過最小化能量原理來求解問題。
- 有限元方法（Finite Element Method, FEM）：一種數值計算方法，通過將求解域劃分為有限數量的小元素並構建在這些元素上的近似解來求解問題。
- 非均勻有理B樣條（Non-Uniform Rational B-Splines, NURBS）：一種用於計算機輔助設計和計算機圖形學的數學模型，通過控制點、權重和節點向量來定義曲線或曲面。
- 激活函數（Activation Function）：神經網絡中的非線性函數，用於在神經網絡的神經元之間引入非線性，使得網絡能夠學習複雜的函數映射。
- 徑向基函數（Radial Basis Function, RBF）：一種用於逼近理論和機器學習中的函數，通過將輸入數據映射到高維空間來實現函數逼近。
- 偏微分方程（Partial Differential Equations, PDEs）：包含未知函數及其部分導數的方程，用於描述物理、工程、金融等領域的連續現象。