Cautious ConFIG ile PINN eğitimindeki gradient çakışmaları gideriliyor

PDE'ler fizik ve mühendislikte karmaşık fenomenleri modellemek için vazgeçilmez araçlardır. PINN'ler ise fiziksel kısıtlamaları doğrudan sinir ağı kayıp fonksiyonlarına entegre ederek geleneksel sayısal çözücüler için güçlü bir alternatif sunuyor. Bu tür ağların eğitimi çok amaçlı optimizasyon gerektirdiği için sınır, başlangıç ve kalan kayıp terimleri arasında önemli gradient çakışmaları ortaya çıkabiliyor.

ConFIG'in güvenlik açığı ve Cautious ConFIG çözümü

ConFIG yöntemi, bu çakışmaları gidermek için geliştirilmiştir. Ancak Adam gibi uyarlamalı iyileştiricilerle entegrasyonunda, çakışma serbest yönün daha fazla işlenmesi sonucunda ağırlık güncellemesinin görev gradientlerine göre çakışma serbest kalmayabileceği bir güvenlik açığı tespit edildi. Cautious ConFIG, ConFIG algoritmasına eklenen kısa üç satırlık bir uzantıdır. Ağırlık güncellemesinden önce çakışma serbestliği garantisini emperik olarak geri yükleyerek bu sorunu gidermeyi hedefliyor.

Değerlendirme ve erişilebilirlik

Yöntem, 1D Viskoz Burgers denklemi, 1D Doğrusal Olmayan Schrödinger denklemi ve 2D Kovasznay akışı olmak üzere üç PINN referansında değerlendirilmiştir. Deneysel sonuçlar, standart ConFIG taban çizgisi üzerinden tutarlı performans iyileştirmeleri gösterdiği bildirildi. Basit bir oyun sistemi kullanılarak dikkatli maskelemenin estirleyici etkisi ve çakışma şiddeti, görev sayısı ile iyştirici gecikmesi arasındaki tepki incelenmiştir. Kod bir URL üzerinden mevcuttur. Makale, 26 Ekim 2026 tarihinde Machine Learning kategorisinde arXiv üzerinden yayımlanmıştır.

Neden önemli?

PINN'ler, fizik ve mühendislikte karmaşık fenomenleri modellemek için kullanılan PDE'leri sinir ağlarıyla çözmek için güçlü bir alternatif sunuyor. ConFIG'in güvenlik açığını kapatan Cautious ConFIG, bu ağların daha güvenilir ve stabil eğitilmesine katkı sağlayabilir.

Kaynak: arXiv — Machine Learning

Temsili görsel: Steve A Johnson / Pexels