English(EN) An Energy-Based Conservative-Dissipative Latent Neural Evolution Operator for Magnetization Dynamics

新型基于能量的模型增强磁化动力学模拟

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-07 04:00

研究人员开发了一种新颖的基于能量的模型来模拟微磁磁化动力学。该模型利用卷积自编码器与潜在神经网络常微分方程相结合，创建降阶模型。该系统在没有显式时间导数监督或物理能量标签的情况下进行训练，仅依赖于潜在和解码回滚损失。开发的反对称耗散模型在轨迹预测方面比仅耗散模型表现出更高的准确性，尤其是在扩展回滚方面。 AI

影响引入了一种模拟复杂物理系统的新颖方法，有可能加速材料科学和工程领域的研究。

排序理由该集群包含一篇详细介绍新科学模型和方法的学术论文。[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 →

本文如何被排名

Signal score: 32 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍新科学模型和方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Sebastian Schaffer, Lukas Exl · 2026-09-07 04:00

用于磁化动力学的基于能量的保守耗散潜在神经网络演化算子

arXiv:2609.04530v1 Announce Type: new Abstract: We develop an energy-based reduced-order model for micromagnetic magnetization dynamics that couples a convolutional autoencoder to a structured latent neural ordinary differential equation. Motivated by the precessional-dissipative…

本文如何被排名

报道来源 [1]

用于磁化动力学的基于能量的保守耗散潜在神经网络演化算子

相关实体

相关话题