Detalhes bibliográficos
| Ano de defesa: |
2019 |
| Autor(a) principal: |
Lima, Lucas Farias |
| Orientador(a): |
Saporito, Yuri Fahham |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
eng |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://hdl.handle.net/10438/28572
|
Resumo: |
This work presents a method for the solution of partial diferential equations (PDE’s) using neural networks, more specifically deep learning. The main idea behind the method is using a function of the PDE itself as the loss function, together with the boundary conditions, based mainly on [Sirignano and Spiliopoulos, 2017]. The method uses a architecture similar to one of LSTM (Long short-term memory) recurrent neural networks, and a loss function computed on a random sample of the domain. The examples considered in this thesis come from financial mathematics, mean-field games and some other classical PDE’s. |
