PulseAugur
中
实时 10:07:29
English(EN) Disentangled Latent Dynamics Manifold Fusion for Solving Parameterized PDEs

新的DLDMF框架增强了神经PDE求解器的参数泛化能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为解耦潜在动力学流形融合（DLDMF）的新的物理信息框架，以提高神经代理模型在求解参数化偏微分方程（PDE）方面的泛化能力。该方法显式地分离了空间、时间和参数维度，从而能够跨不同PDE参数和更长的时间范围进行更稳定、更准确的预测。DLDMF通过将PDE参数映射到一个连续的潜在嵌入来实现这一点，该嵌入条件化了一个神经常微分方程，从而在未见过的参数设置和时间外推方面实现了稳健的性能。 AI

影响 这项研究可能带来更强大、更高效的科学模拟和工程应用AI模型。

排序理由 该集群包含一篇详细介绍求解参数化PDE新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

新的DLDMF框架增强了神经PDE求解器的参数泛化能力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zhangyong Liang, Huanhuan Gao ·

    Disentangled Latent Dynamics Manifold Fusion for Solving Parameterized PDEs

    arXiv:2603.12676v3 Announce Type: replace Abstract: Generalizing neural surrogate models across different PDE parameters remains difficult because changes in PDE coefficients often make learning harder and optimization less stable. The problem becomes even more severe when the mo…

相关话题