神经网络压缩中的动态误差界限分层矩阵
原文中文，约400字，阅读约需1分钟。发表于：。本文针对物理信息神经网络（PINNs）结构和训练中的计算效率问题，提出了一种创新的分层矩阵压缩框架。这种动态误差界限的分层矩阵压缩方法显著降低了计算复杂度和存储需求，同时保持了准确性，提升了培训效率，并确保了PINNs在复杂物理建模中的可扩展性和稳健性。
本文研究了物理信息驱动的神经网络（PINNs）在两个系统上的表现。在非线性摆系统中，PINNs在理想数据情况下胜过了无信息神经网络（NNs），准确度提高了18倍和6倍。在使用实验数据进行测试时，准确度提高了9.3倍和9.1倍。此外，研究了物理信息驱动模型在物理系统中的可行性，并使用FPGA进行实验。讨论了从这项工作中获得的见解，并列出了未来工作计划。
