Fizik Bilgili Yapay Sinir Ağları (PINN), fizik yasalarını makine öğrenmesi ile birleştiren güçlü araçlardır ancak karmaşık kısmi diferansiyel denklemlerde yavaş öğrenme ve kararsızlık sorunları yaşarlar. Araştırmacılar bu zorlukları aşmak için yenilikçi bir çözüm geliştirdi.
Yeni yaklaşım, mevcut birinci dereceden optimizasyon algoritmalarını, kayıp fonksiyonunun geometrik yapısını dikkate alan adaptif bir düzeltme sistemiyle güçlendiriyor. Sistem, ardışık gradyan farklarını hesaplayarak yerel geometrik değişimleri algılıyor ve buna göre optimizasyon adımlarını ayarlıyor.
Yöntemin en önemli avantajı, hesaplama açısından verimli olması ve mevcut optimizasyon araçlarıyla kolayca entegre edilebilmesidir. İkinci dereceden türev matrisleri oluşturmadan, daha basit hesaplamalarla etkili sonuçlar elde ediyor.
Farklı kısmi diferansiyel denklem problemlerinde yapılan testler, yeni çerçevenin standart optimizasyon yöntemlerine göre önemli iyileştirmeler sağladığını gösterdi. Yakınsama hızı artarken, eğitim süreci daha kararlı hale geldi ve çözüm doğruluğu yükseldi.
Bu gelişme, fizik simülasyonları, mühendislik tasarımı ve bilimsel modelleme alanlarında PINN teknolojisinin daha etkin kullanımının önünü açabilir.