PulseAugur
中
实时 09:24:26
English(EN) Hierarchical Physics-Embedded Learning for Partially Known Spatiotemporal Dynamics

新的分层物理嵌入学习方法将外推误差降低了 70%

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的分层物理嵌入学习方法，该方法利用时空系统中部分已知的物理定律。该方法将已知的物理结构及其控制组合直接编码到网络架构中，而不是仅仅依赖数据或软约束。该方法利用自适应傅里叶层来捕捉复杂的耦合，并已证明在长时外推误差方面取得了显著降低，其性能比现有的物理信息和神经算子基线高出 70%。该技术还保持了物理一致性，并有助于在部分指定的微分方程中符号化恢复未知的本构关系。 AI

影响 这种新方法可以提高在具有部分物理知识的科学领域中 AI 模型的准确性和可解释性。

排序理由 这是一篇详细介绍一种新机器学习方法的学术论文。[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 →

新的分层物理嵌入学习方法将外推误差降低了 70%

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Xizhe Wang, Xiaobin Song, Hongbo Zhao, Qingshan Jia, Qianchuan Zhao, Hao Sun, Benben Jiang ·

    面向部分已知时空动力学的分层物理嵌入学习

    arXiv:2510.25306v3 Announce Type: replace Abstract: Partial physical knowledge--governing structures known, constitutive relations or their combinations not--pervades spatiotemporal systems. Existing scientific machine learning paradigms learn evolution largely from data, impose …

相关实体

相关话题