بهبود عملکرد شبکه های عصبی آگاه از فیزیک (PINNs) با استفاده از الگوریتم جست وجوی گنجشک (SSA) برای حل معادلات دیفرانسیل با مشتقات جزئی

حل معادلات دیفرانسیل جزئی (PDEs) همواره یکی از بزرگترین چالش ها در علوم مختلف مانند مهندسی، فیزیک و ریاضیات کاربردی بوده است. روش های عددی سنتی برای حل این معادلات با مشکلاتی مانند هزینه محاسباتی بالا و نیاز به شبکه بندی دقیق مواجه هستند. اخیرا، مدل های عصبی فیزیک (Physics-Informed Neural Networks) PINNs به عنوان یک رویکرد نوین برای حل این معادلات معرفی شده اند که می توانند بدون نیاز به تقسیم بندی دقیق دامنه ها و استفاده از داده های عددی گسترده، به حل این معادلات بپردازند. در این مقاله، چالش ها و محدودیت های حل PDE ها با استفاده از PINNs بررسی می شود. به ویژه، مشکلاتی نظیر نیاز به تعیین مناسب توابع ضرایب و شرایط مرزی، کارایی محاسباتی مدل های عصبی و تاثیر آن ها بر کیفیت حل معادلات بررسی خواهند شد. یکی از چالش های مهم دیگر در بهینه سازی مدل های عصبی فیزیکی، انتخاب الگوریتم های بهینه سازی است که به دقت و کارایی مدل ها کمک می کند. در این راستا، بهینه سازی کلونی گنجشک (Seagull Swarm Algorithm, SSA) به عنوان یک روش بهینه سازی هوش جمعی برای بهبود عملکرد این مدل ها پیشنهاد می شود.

کلیدواژه ها:

شبکه عصبی ، الگوریتم جستجو ، SSA ، معادله دیفرانسیل