有限基Kolmogorov-Arnold网络：面向数据驱动与物理驱动问题的域分解方法
机器学习
2025-11-18 v2 计算物理
摘要
Kolmogorov-Arnold网络(KANs)近年来因作为多层感知器(MLP)的替代方案而受到关注。然而，KANs即使对于相对较小的网络也需要较高的训练成本。本文灵感来源于有限基物理驱动神经网络(FBPINNs)，发展出一种用于KANs的域分解方法，允许多个小型KANs并行训练，以准确求解多尺度问题。我们表明，有限基KANs(FBKANs)能够在噪声数据和物理驱动训练条件下提供准确结果。
引用
@article{arxiv.2406.19662,
title = {Finite basis Kolmogorov-Arnold networks: domain decomposition for data-driven and physics-informed problems},
author = {Amanda A. Howard and Bruno Jacob and Sarah Helfert and Alexander Heinlein and Panos Stinis},
journal= {arXiv preprint arXiv:2406.19662},
year = {2025}
}