ترجمه فارسی مقاله اثربخشی غیر منطقی در حل مشکلات معکوس با شبکه های عصبی

چکیده

Finding model parameters from data is an essential task in science and engineering, from weather and climate forecasts to plasma control. Previous works have employed neural networks to greatly accelerate finding solutions to inverse problems. Of particular interest are end-to-end models which utilize differentiable simulations in order to backpropagate feedback from the simulated process to the network weights and enable roll-out of multiple time steps. So far, it has been assumed that, while model inference is faster than classical optimization, this comes at the cost of a decrease in solution accuracy. We show that this is generally not true. In fact, neural networks trained to learn solutions to inverse problems can find better solutions than classical optimizers even on their training set. To demonstrate this, we perform both a theoretical analysis as well an extensive empirical evaluation on challenging problems involving local minima, chaos, and zero-gradient regions. Our findings suggest an alternative use for neural networks: rather than generalizing to new data for fast inference, they can also be used to find better solutions on known data.

چکیده به فارسی (ترجمه ماشینی)

یافتن پارامترهای مدل از داده ها یک کار اساسی در علم و مهندسی ، از پیش بینی آب و هوا و آب و هوا گرفته تا کنترل پلاسما است.آثار قبلی از شبکه های عصبی استفاده کرده اند تا بتوانند راه حل های پیدا کردن برای مشکلات معکوس را تسریع کنند.مورد علاقه خاص مدل های پایان به پایان است که از شبیه سازی های متفاوت به منظور بازخورد بازخورد از فرآیند شبیه سازی شده به وزن شبکه استفاده می کنند و امکان استفاده از مراحل زمانی چندگانه را فراهم می کنند.تاکنون فرض بر این است که ، در حالی که استنتاج مدل سریعتر از بهینه سازی کلاسیک است ، این به هزینه کاهش دقت محلول می رسد.ما نشان می دهیم که این به طور کلی درست نیست.در حقیقت ، شبکه های عصبی که برای یادگیری راه حل های برای مشکلات معکوس آموزش دیده اند ، می توانند راه حل های بهتری نسبت به بهینهای کلاسیک حتی در مجموعه آموزش خود پیدا کنند.برای نشان دادن این ، ما هم یک تحلیل نظری و هم یک ارزیابی تجربی گسترده در مورد مشکلات چالش برانگیز شامل حداقل های محلی ، هرج و مرج و مناطق شغلی صفر انجام می دهیم.یافته های ما یک استفاده جایگزین برای شبکه های عصبی را نشان می دهد: به جای تعمیم داده های جدید برای استنتاج سریع ، می توان از آنها نیز برای یافتن راه حل های بهتر در داده های شناخته شده استفاده کرد.