随机物理神经网络新突破：不靠PDE残差也能解随机边值问题！
Physics-informed random neural architectures on compact boundaryless multiply connected manifolds for random-operator models in machine learning and uncertainty quantification
📖 AI 总结
本文提出一种面向随机算子随机边值问题（SBVP）的随机物理信息神经网络（SPINN）方法。其核心在于通过结构化的概率耦合实现物理约束：同一高斯随机源同时驱动SBVP的随机算子与基于流形的随机神经网络架构。该网络非前馈且本质随机，利用紧致无边多连通流形上的潜高斯场与非齐次泊松点过程生成随机神经元位置、测地局部稀疏连接及稀疏随机权重矩阵，整体由低维超参数控制。训练在观测空间进行，目标函数结合负对数似然的数据保真项与相对SBVP诱导条件分布的交叉熵对齐项，形成观测分布与SBVP分布的凸混合，并由无量纲参数调节对模型—数据失配的鲁棒性。共享随机源带来公共随机数蒙特卡洛估计与低方差梯度，且仅需SBVP解映射的求值，无需微分或修改方程，避免了PDE残差与边界惩罚损失。周期圆柱面上的随机椭圆问题验证了该方法在一致与失配情形下的有效性，并给出广义后验形式以支持超参数推断与后验平均。
🔑 关键词速览
| 随机物理信息神经网络 (SPINNs) | 一种结合物理约束和随机神经网络的模型，用于求解具有随机算子的随机边值问题。 |
| 随机边值问题 (SBVPs) | 边值问题中微分算子包含随机参数或随机场，导致解具有随机性。 |
| 紧致无边界多连通流形 | 一种拓扑空间，紧致且没有边界，并且具有多个连通分量（即存在孔洞）。 |
| 非齐次泊松点过程 | 一种随机点过程，其中点出现的强度随空间位置变化，用于生成随机神经元位置。 |
| 共同随机数蒙特卡洛估计器 | 在蒙特卡洛模拟中使用相同的随机数序列来减少方差，提高估计效率。 |
📱 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