PulseAugur
中
实时 11:01:12
English(EN) Reference-free logged energy-oracle recovery for neural approximations of symmetric coercive variational problems: conforming Riesz reconstruction and archive-level selection

新方法恢复变分问题的最优神经近似

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新方法，用于选择变分问题的最佳神经近似，特别侧重于在无法直接访问精确解的情况下恢复对数能量预言机。该技术利用了无参考一致Riesz监视器，它充当一个无条件下界，收敛于对数能量误差。该方法考虑了存档选择的顺序敏感性，其中依赖于检查点的组件会改变解的排名。在扩散和弹性问题上的实验证明了该方法在校准能量尺度和实现预言机级选择方面的有效性。 AI

影响 这项研究为在复杂变分问题中选择最优神经近似提供了一种新颖的方法，有可能提高AI模型在科学模拟中的效率和准确性。

排序理由 该集群包含一篇详细介绍神经近似新方法的学术论文。[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 →

新方法恢复变分问题的最优神经近似

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Karim Bounja, Lahcen Laayouni, Boujemaa Achchab, Abdeljalil Sakat ·

    神经近似对称强制变分问题的无参考对数能量预言机恢复：一致Riesz重构和存档级选择

    arXiv:2608.16473v1 Announce Type: new Abstract: Neural PDE training yields a finite checkpoint archive, yet its logged energy errors are inaccessible without the exact solution, while loss-based selection does not necessarily recover the logged energy oracle. For admissible neura…

相关实体

相关话题