全纯神经网络攻克拉普拉斯奇异点，精度飙升数个量级！
Enriched Holomorphic Neural Networks for 2D and 3D Laplace Problems
📖 AI 总结
该研究针对拉普拉斯方程边值问题在角点、棱边和交汇处出现的奇异性难题，提出了一种融合全纯神经网络与局部几何及边界条件导出奇异函数的增强方法。由于该表示在构造上即为调和函数，无需计算内部残差，网络仅依赖边界数据拟合光滑余项，奇异项则精确捕捉奇异行为；奇异指数可训练，因而在局部展开未知时同样适用。作者进一步利用沿复零方向独立求值的网络将该方法推广至三维。实验表明，增强模型在所有测试问题上均为最精确的方法：在增强项能精确刻画奇异性的情形下，精度领先数个数量级；在具有大量奇异位点的CdZnTe辐射探测器中，二维与三维精度均比次优方法提升约1.7至2.1倍。
🔑 关键词速览
| 全纯神经网络 (Holomorphic Neural Networks) | 一种基于复变函数中全纯性质的神经网络，其输出天然满足拉普拉斯方程（调和函数），无需额外施加物理约束。 |
| 奇异函数 (Singular Functions) | 在角点、棱边等几何奇异处表现出发散或不可微行为的函数，用于精确描述边值问题解的局部奇异性。 |
| 富集项 (Enrichment Terms) | 在神经网络表示中额外加入的、由局部几何和边界条件导出的奇异基函数，用于捕捉光滑网络难以逼近的奇异行为。 |
| 奇异指数 (Singular Exponents) | 控制奇异函数在奇异点附近渐近行为的幂次参数，通常由局部几何决定，本文中将其设为可训练参数。 |
| 复零方向 (Complex Null Directions) | 在复空间中满足特定零条件的方向，用于将二维全纯神经网络方法推广到三维拉普拉斯问题。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅