PulseAugur
中
实时 10:24:57
English(EN) PINN-Cast: Exploring the Role of Continuous-Depth NODE in Transformers and Physics Informed Loss as Soft Physical Constraints in Short-term Weather Forecasting

PINN-Cast transformer使用神经ODE和物理损失进行天气预报

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了PINN-Cast，一种用于短期天气预报的新型连续深度Transformer模型。该模型在其编码器块中集成了神经常微分方程（Neural ODEs），以更好地捕捉平滑的潜在动态，超越了离散层更新。此外，PINN-Cast还包含一个物理信息训练目标，以确保预报作为软约束遵守物理原理。评估显示，与标准的离散Transformer和现有的连续时间变体相比，其性能有所提高。 AI

影响 引入了一种将物理信息约束集成到天气预报中的新型架构，有可能提高准确性和效率。

排序理由 这是一篇详细介绍天气预报新模型架构的研究论文。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

PINN-Cast transformer使用神经ODE和物理损失进行天气预报

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Hira Saleem, Flora Salim, Cormac Purcell ·

    PINN-Cast: Exploring the Role of Continuous-Depth NODE in Transformers and Physics Informed Loss as Soft Physical Constraints in Short-term Weather Forecasting

    arXiv:2604.27313v1 Announce Type: cross Abstract: Operational weather prediction has long relied on physics-based numerical weather prediction (NWP), whose accuracy comes at the cost of substantial compute and complex simulation workflows. Recent transformer-based forecasters off…

相关实体

相关话题