# Kolmogorov-Arnold网络

高能物理中的喷注分类器长期以准确率为主要评价，却难以说明其判断是否对应喷注内部的辐射结构。研究者用Kolmogorov-Arnold网络（KAN）在已训练模型局部拟合扰动响应，再从代理的混合偏导提取二体、三体相互作用分数，与两点、三点能量关联函数的贡献排序做秩相关比较。在JetClass数据上，Particle Transformer的二体对齐明显为正，而标准多头注意力基线未表现出类似对齐；三体对齐两者都较弱，ParT仍更强且误差棒排除零相关。

高能物理中的喷注分类器长期以准确率为主要评价，却难以说明其判断是否对应喷注内部的辐射结构。研究者用Kolmogorov-Arnold网络（KAN）在已训练模型局部拟合扰动响应，再从代理的混合偏导提取二体、三体相互作用分数，与两点、三点能量关联函数的贡献排序做秩相关比较。在JetClass数据上，Particle Transformer的二体对齐明显为正，而标准多头注意力基线未表现出类似对齐；三体对齐两者都较弱，ParT仍更强且误差棒排除零相关。

电力系统动态仿真中，物理信息神经网络受多层感知机的频谱偏置限制，难以刻画机电振荡，而基于B样条的物理信息Kolmogorov-Arnold网络训练代价高。mac-PIKAN把线性化摇摆方程的闭式模态响应作为固定项嵌入试解，再用切比雪夫基的KAN学习一个初始时刻为零的非线性修正，从而精确满足初始转子角与转速。在单机无穷大母线基准上，其转子角与频率平均误差为0.29%和0.99%，低于PINN的1.59%和5.26%，并在更少训练数据和更低阻尼下保持优势。

电力系统动态仿真中，物理信息神经网络受多层感知机的频谱偏置限制，难以刻画机电振荡，而基于B样条的物理信息Kolmogorov-Arnold网络训练代价高。mac-PIKAN把线性化摇摆方程的闭式模态响应作为固定项嵌入试解，再用切比雪夫基的KAN学习一个初始时刻为零的非线性修正，从而精确满足初始转子角与转速。在单机无穷大母线基准上，其转子角与频率平均误差为0.29%和0.99%，低于PINN的1.59%和5.26%，并在更少训练数据和更低阻尼下保持优势。