TL;DR
- v1 نوع اعلام:.
- جدید چکیده:.
- شبیهسازی دقیق جمعیت برای مدیریت ایمنی عمومی،.
چه اتفاقی افتاد
v1 نوع اعلام:. جدید چکیده:.
شبیهسازی دقیق جمعیت برای مدیریت ایمنی عمومی،. برنامهریزی تخلیه اضطراری و سیستمهای حمل و نقل هوشمند بسیار مهم است.
با این حال،. روشهای موجود،.
که معمولاً جمعیتها را بهعنوان مجموعهای از مسیرهای مستقل مستقل مدلسازی میکنند،. در توانایی آنها برای گرفتن قوانین فیزیکی ماکروسکوپی محدود هستند.
این رویکرد میکروسکوپی اغلب منجر به تجمع خطا و به خطر افتادن پایداری شبیهسازی میشود. علاوه بر این،.
روشهای مبتنی بر یادگیری عمیق معمولاً از راندمان استنتاج پایین و سربار محاسباتی بالا رنج میبرند،. که آنها را برای شبیهسازیهای کارآمد و در مقیاس بزرگ غیرعملی میسازد.
برای پرداختن به این چالشها،. ما شبکه معادلات دیفرانسیل جداشده مکانی-زمانی (STDDN) را پیشنهاد میکنیم،.
یک چارچوب جدید که پیشبینی مسیر میکروسکوپی را با فیزیک ماکروسکوپی هدایت میکند. ما به صورت مبتکرانه معادله تداوم را از دینامیک سیالات بهعنوان یک محدودیت فیزیکی قوی یک معادله دیفرانسیل.
معمولی عصبی (نورال ODE) برای مدلسازی تکامل چگالی ماکروسکوپی که توسط حرکات فردی هدایت میشود،. استفاده میشود،.
در نتیجه از نظر فیزیکی مدل پیشبینی مسیر میکروسکوپی را منظم میکند. ما یک ماژول یادگیری نمودار پویا جفت شده با چگالی-سرعت طراحی میکنیم تا مشتق میدان چگالی را.
در ODE عصبی فرموله کنیم،. و بهطور موثر تجمع خطا را کاهش دهیم.
ما همچنین یک ماژول نقشهبرداری چگالی قابل تمایز را برای حذف گرادیانهای ناپیوسته ناشی از گسستهسازی پیشنهاد میکنیم. و یک ماژول تشخیص متقابل شبکه را برای مدلسازی دقیق تأثیر حرکات متقابل شبکهای فردی بر تغییرات چگالی.
محلی معرفی میکنیم. روش STDDN پیشنهادی عملکرد شبیهسازی بهطور قابلتوجهی را در مقایسه با روشهای پیشرفته در کارهای بلندمدت در چهار.
مجموعه داده دنیای واقعی و همچنین یک مجموعه داده اصلی نشان داده است. کاهش تأخیر استنتاج.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.