用线性特征解耦提升深度学习拟合非线性薛定谔方程的精度

Improve the Fitting Accuracy of Deep Learning for the Nonlinear Schrödinger Equation Using Linear Feature Decoupling Method

• 采用特征解耦分布式方法分离输入特征
• 相比未解耦模型，非线性薛定谔方程损失显著降低
• 适合需要高精度求解非线性偏微分方程的研究者

我们采用特征解耦分布式（FDD）方法，提升深度学习对非线性薛定谔方程（NLSE）的拟合能力，相较于未解耦模型，显著降低了NLSE的损失。该方法通过分离输入特征中的线性成分，使神经网络更高效地捕捉非线性动态，从而提升求解精度。

原文摘要 · Abstract (English)

We utilize the Feature Decoupling Distributed (FDD) method to enhance the capability of deep learning to fit the Nonlinear Schrodinger Equation (NLSE), significantly reducing the NLSE loss compared to non decoupling model.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。