一、摘要 受Kolmogorov-Arnold表示定理的启发,本文提出了Kolmogorov-Arnold网络(KANs)作为多层感知器(MLP)的替代方案.MLP在节点(“神经元”)上具有固定的激活函数,而KAN在边缘(“权重”)上具有可学习的激活函数。KAN根本没有线性权重--每个权重参数都被一个参数化为样条的单变量函数所取代。我们发现
KAN神经网络架构崭新亮相:MIT等科研巨擘刷新历史,仅凭200参数即能与DeepMind的30万参数MLP媲美,在AI数学研究领域掀起新浪潮。 KANs的出色性能不仅体现在更高的准确性上,更是成功发掘了新的数学公式,这一成果曾由DeepMind的MLPs实现,并荣登Nature封面。 在函数拟合、偏微分方程求解,乃至处理凝聚态物理等复杂任务时,KAN...