研究人员开发了一个新的深度学习框架MuRFiV，该框架受有限体积法启发，旨在提高复杂时空动力学预测的准确性。该框架通过将偏微分方程信息直接嵌入神经网络架构中，整合了物理信息学习。在应用于Burgers方程、浅水方程和不可压缩Navier-Stokes方程等系统时，MuRFiV在长期预测精度和稳定性方面优于传统的纯数据驱动神经网络。 AI
影响 该框架有望在复杂的物理模拟中实现更准确、更稳定的长期预测，可能对天气预报和流体动力学等领域产生影响。
排序理由 该集群描述了一篇关于用于科学模拟的新型深度学习框架的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.00460v1 Announce Type: cross Abstract: Predicting complex spatiotemporal dynamics in physical processes often demands computationally expensive numerical methods or data-driven neural networks that suffer from high training costs, error accumulation, and limited genera…
Predicting complex spatiotemporal dynamics in physical processes often demands computationally expensive numerical methods or data-driven neural networks that suffer from high training costs, error accumulation, and limited generalizability to unseen parameters. An effective appr…