AI এবং বিশ্বের কঠিন সমস্যাগুলো · পদার্থবিজ্ঞান · arXiv · 2026-10-21

ইটারেটিভ নিউরাল PDE সলভারের জন্য বর্ন-প্রিকন্ডিশনড লার্নিং

মূল শিরোনাম: Born-Preconditioned Learning for Iterative Neural PDE Solvers

স্থানিকভাবে পরিবর্তনশীল মাধ্যমে উচ্চ-কম্পাঙ্ক তরঙ্গের অনুকরণ ক্লাসিক্যাল পুনরাবৃত্তিমূলক পদ্ধতি ও নিউরাল PDE সলভার—উভয়ের জন্যই চ্যালেঞ্জিং রয়ে গেছে। Neural Preconditioned Born Series (NPBS) একটি সাধারণ রেফারেন্স প্রিকন্ডিশনার ব্যবহার করে আরও কার্যকর একটি নিউরাল প্রিকন্ডিশনার শেখাতে সাহায্য করার মাধ্যমে পুনরাবৃত্তিমূলক নিউরাল PDE সলভার শেখে: Convergent Born Series-এর ওপর ভিত্তি করে একটি নেটওয়ার্ক প্রিকন্ডিশনড রেসিডুয়াল গ্রহণ করে এবং একটি সমাধান আপডেট অনুমান করে, এবং এমন এক metric-matched উদ্দেশ্যবলে প্রশিক্ষিত হয় যা ইনপুট ও লস—উভয় ক্ষেত্রেই সেই একই রেফারেন্স প্রিকন্ডিশনার ব্যবহার করে প্রতিটি আপডেটের পর রেসিডুয়াল কমায়। হেটারোজেনিয়াস হেলমহোল্টজ সমস্যায় NPBS নিউরাল আর্কিটেকচার জুড়ে পুনরাবৃত্তির সংখ্যা কমায়—উচ্চতর ওয়েভনম্বরে লাভ বেশি—এবং মূল্যায়িত Krylov সলভার তুলনায় সর্বনিম্ন wall-clock সময় অর্জন করে, পাশাপাশি স্বাভাবিকভাবেই ত্রিমাত্রায় সম্প্রসারিত হয় এবং অরৈখিক PDE-র জন্য convection-diffusion-reaction সিস্টেম ও নিউটন রৈখিক সিস্টেমে অভিসারণ উন্নত করে।

মূল লেখা পড়ুন ↗

সব আইটেম →