Исследователи из Кембриджского и Корнельского университетов добились успехов в создании более эффективных моделей машинного обучения, способных воспринимать сложные уравнения при ограниченном количестве обучающих данных.

Традиционно для обучения моделей машинного обучения требуется большой объем аннотированных данных, что требует много времени и средств. Однако исследователи обнаружили, что для частичных дифференциальных уравнений (PDE), описывающих явления природного мира в пространстве и времени, надежные результаты можно получить при меньшем количестве данных.

Исследователи разработали алгоритм, позволяющий предсказывать решения PDE при различных условиях за счет использования короткодействующих и дальнодействующих взаимодействий в уравнениях. Это позволяет создавать более интерпретируемые модели машинного обучения и может найти применение в инженерном деле и моделировании климата, предлагая более экономичный по времени и средствам подход.

Источник: Ferra