Analisis angka simulasi yang berbeda: Perbedaan otomatis mungkin tidak akurat – Beragampengetahuan

Oleh: Christopher Rackauckas

Re -Post dari:

https://www.youtube.com/watch?v=ycfo8skxy_u

Konferensi Se -RI ISCL

Pembelajaran mesin ilmiah (SCIML) sangat tergantung pada perbedaan otomatis (AD), proses konstruksi lereng mencakup pembelajaran mesin yang terintegrasi ke dalam model mekanis untuk tujuan optimasi berdasarkan gradien. Meskipun pendekatan pemrograman yang berbeda ini muncul dengan ide yang hanya menempatkan emulator pada kehilangan dan penggunaan AD, ternyata ada detail yang lebih canggih untuk latihan. Dalam pembicaraan ini, kita akan masuk ke analisis jumlah simulasi yang berbeda dan mengajukan pertanyaan: Seberapa stabil dan kuat iklan iklan? Kami akan menggunakan contoh dari pustaka JAX (DISFRAX) dan Pytorch (Torchdiffeq) berdasarkan Python untuk membuktikan bagaimana formula utama metode AD dan metode penyesuaian dapat menawarkan kemiringan yang salah dalam konteks ODE dan PDE. Kami menunjukkan kasus -kasus di mana metodenya adalah akurasi matematika, tetapi karena kompleksitas kesalahan digital, pendekatannya dapat menyebabkan kesalahan 60% dan lebih besar bahkan dalam kasus sederhana seperti OD linier. Setelah itu, kami akan menjelaskan beberapa amandemen non -standar untuk AD yang akan dibuat di perpustakaan Julia SCIML untuk mengatasi ketidakstabilan angka ini dan mencapai hasil yang akurat, juga terutama menggambarkan perdagangan teknis yang harus dilakukan selama proses ini. Penonton harus pergi dengan lebih banyak penghargaan untuk tantangan yang lebih besar yang masih perlu diselesaikan di bidang AD untuk SCIML.

Jumlah analisis simulasi: Perbedaan otomatis dapat muncul secara tidak benar sesuai dengan gaya hidup acak.

Terkait