KANs 能否（重新）发现直接驱动激光聚变的预测模型？
机器学习
2024-09-16 v1
摘要
激光聚变领域因其问题的高度复杂性和有限的训练数据，为机器学习方法呈现了一个独特且富有挑战性的预测建模应用场景。过去，利用预设函数形式、归纳偏置和物理信息学习 (PIL) 方案的数据驱动方法，在实现期望的泛化能力和符合物理预期的模型解释性方面取得了成功。然而，在复杂的多物理应用领域中，如何构建架构偏置或判别性惩罚项并不总是显而易见的。在这项工作中，我们聚焦于使用高功率激光的核聚变能源，提出使用柯尔莫哥洛夫-阿诺德网络 (KANs) 作为 PIL 的替代方案，以开发一种新型的数据驱动预测模型，该模型能够实现高预测精度和物理可解释性。我们将一个基于 KAN 的模型、一个带有 PIL 的 MLP 模型以及一个基线 MLP 模型，在泛化能力和可解释性方面与领域专家导出的符号回归模型进行了比较。通过在这个高物理复杂度领域的实证研究，我们表明，在为数据匮乏的物理应用开发预测模型时，KANs 可能提供潜在的优势。
引用
@article{arxiv.2409.08832,
title = {Can Kans (re)discover predictive models for Direct-Drive Laser Fusion?},
author = {Rahman Ejaz and Varchas Gopalaswamy and Riccardo Betti and Aarne Lees and Christopher Kanan},
journal= {arXiv preprint arXiv:2409.08832},
year = {2024}
}