扩散模型学习用于神经偏微分方程求解器的自适应网格

研究人员开发了一种新颖的两阶段扩散框架，用于学习神经偏微分方程（PDE）求解器中的自适应离散化。该方法允许模型在预测场演化之前学习最优网格分辨率和频谱带宽，解决了现有方法依赖预选网格的局限性。该框架结合了物理感知约束和几何有效性检查，以确保物理上可解释和数值上可靠的适应。在各种 PDE 状态下，这种基于扩散的学习离散化在面对固定或手工设计的网格分配不足的情况下，与传统的自适应网格和降阶基线相比，表现出具有竞争力。 AI

影响 这项研究将神经偏微分方程求解器的自适应网格重新构建为生成式表示学习问题，有望提高科学模拟的准确性和效率。

排序理由 详细介绍求解 PDE 新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• CORE Recommender
• cs.AI
• DagsHub
• Diffusion Models
• Gotit.pub
• Hugging Face
• Influence Flower
• Learning to Discretize: Diffusion-Based Adaptive Mesh with Spectral Guidance
• machine learning
• partial differential equation
• ScienceCast

• 论文
• 模型发布

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