PulseAugur
中
实时 11:22:47
English(EN) Multi-Fidelity Physics-Informed Neural Networks with Bayesian Uncertainty Quantification and Adaptive Residual Learning for Efficient Solution of Parametric Partial Differential Equations

作者撤回关于先进物理信息神经网络的研究论文

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇题为“用于参数偏微分方程高效求解的多保真度物理信息神经网络，结合贝叶斯不确定性量化和自适应残差学习”的研究论文已被作者Gustav Olaf Yunus Laitinen-Fredriksson Lundstrom-Imanov撤回。该论文最初于2026年2月1日提交，并于2026年9月6日修订，提出了一种新颖的多保真度框架，将物理信息神经网络与贝叶斯不确定性量化和自适应残差学习相结合。该方法旨在通过利用低保真度模拟和稀疏的高保真度数据来解决高保真度参数偏微分方程求解的计算挑战。 AI

影响 这篇被撤回的研究论文探讨了使用神经网络解决复杂物理问题的先进技术，但其撤回意味着其在科学计算中对AI应用的潜在影响被抵消。

排序理由 该集群包含一篇被撤回的学术论文。[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 →

作者撤回关于先进物理信息神经网络的研究论文

本文如何被排名

Signal score
9 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
该集群包含一篇被撤回的学术论文。[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
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
Same-day
Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Olaf Yunus Laitinen Imanov ·

    用于参数化偏微分方程高效求解的多保真度物理信息神经网络，结合贝叶斯不确定性量化和自适应残差学习

    arXiv:2602.01176v2 Announce Type: replace Abstract: Physics-informed neural networks (PINNs) have emerged as a powerful paradigm for solving partial differential equations (PDEs) by embedding physical laws directly into neural network training. However, solving high-fidelity PDEs…

相关实体

相关话题