Компьютерная наука > Машинное обучение [представлено 15 сентября 2026 года] Название: Hybrid соединение с компьютерными нервными сетями и перекрывающимся методом замены Schwarz View PDF HTML (экспериментальный) Резюме: Мы разработали гибридную модель для соединения предварительно подготовленных цифровых сетей (NINNs) с классическими моделями полного порядка (FOMS), используя переплетающийся метод чередования Шварц. Мы рассматриваем двухмерное уравнение адвекции-диффузии в режиме, где доминируют адвекции Пекле - число 10 6. Сначала мы покажем, что в отличие от соответствующей научно обоснованной нейронной сети (PINN), монолитный НИНН может быть точно обучен нашей проблеме модели без разложения доменов. Затем мы используем переплетающийся мультипликативный Schwarz в качестве механизма развертывания для соединения предварительно подготовленного местного НИНН с соседним FOM, при этом вес NINN удерживается на протяжении итерации Шварца. Мы рассматриваем два учебных подхода для поддомных-местных ННН: подход, предусматривающий получение данных о границах с помощью соединенного устройства Schwarz на полном участке при использовании FOM по каждой субдомене (FOM-Fom Schwarz), и восходящий подход, в рамках которого следы границ генерируются синтезированным образом на поддоне НИНН без необходимости полного решения вопросов. Полученные в результате этого гибридные решения НИНН-ФОМ тесно согласуются с соответствующими решениями FOM-FOM Schwarz, при этом подходы к подготовке кадров сверху…
Гибридное подключение к нейронным сетям с указанием цифр и частично перекрывающийся метод Шварца
arXiv: 2609.17841v1 Annualce Type: New Brieflow: Мы разрабатываем гибридную систему моделирования для стыковки предварительно подготовленных цифровых нейронных сетей (NINNs) с классическими моделями полного порядка (FOM), используя переплетающийся метод чередования Schwarz. Мы рассматриваем двухмерное уравнение адвекции-диффузии в режиме, где доминируют адвекции Пекле - число 10 6. Сначала мы покажем, что в отличие от соответствующей научно обоснованной нейронной сети (PINN), монолитный НИНН может быть точно обучен нашей проблеме модели без разложения доменов. Затем мы используем переплетающийся мультипликативный Schwarz в качестве механизма развертывания для соединения предварительно подготовленного местного НИНН с соседним FOM, при этом вес NINN удерживается на протяжении итерации Шварца. Мы рассматриваем два подхода к подготовке поддомных-местных ННН: подход, основанный на нисхождении и предусматривающий получение данных о границах от совпадающего решения Шварца в полном масштабе при использовании FOM по каждому субдомену (FOM-Fom Schwarz) и снизу вверх