
Нейронные сети, используемые как статистический оценщик для уравнения состояния.Регрессия с помощью нейронных сетей — это метод машинного обучения, в котором искусственная нейронная сеть обучается предсказывать непрерывный числовой выход на основе входных признаков. В физике он всё чаще используется как статистический оценщик для сложных зависимостей, таких как уравнение состояния (УРС) вещества — функция, связывающая давление, температуру и объём. Вместо использования аналитических формул нейронная сеть обучается непосредственно на экспериментальных или модельных данных, улавливая нелинейности, которые трудно описать вручную.
Нейронные сети были задуманы в 1940-х годах, но их применение в физике для регрессии стало широким в 2010-х годах с развитием глубокого обучения и мощных графических процессоров. Конкретные применения к уравнениям состояния появились в ядерной физике и астрофизике примерно в то же время.
Нейронная сеть состоит из слоёв взаимосвязанных «нейронов» (математических функций). Во время обучения сеть подстраивает свои внутренние веса, чтобы минимизировать разницу между своими предсказаниями и известными данными (например, из ядерных экспериментов или моделирований). После обучения она может интерполировать или экстраполировать, чтобы предсказать УРС для новых условий. Гибкость сети позволяет ей аппроксимировать любую гладкую функцию при достаточном количестве данных и нейронов.
Используется для моделирования уравнений состояния нейтронных звёзд, ядерной материи и материалов в экстремальных условиях, где традиционные аналитические формы недостаточны.
Нейронная сеть всего с одним скрытым слоем может аппроксимировать любую непрерывную функцию на компактной области — это результат, известный как теорема об универсальной аппроксимации.



















