PulseAugur
中
实时 07:37:42

新神经网络框架改进了长时程偏微分方程预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为潜在结构谱传播器（Latent Structured Spectral Propagators, SSP）的新型神经网络预测框架，以改进时间依赖性偏微分方程（PDE）的长时程预测。该方法解决了现有神经网络算子在自回归使用时常见的误差累积和动态漂移问题。SSP通过在潜在空间中学习一个传播器来重新构建偏微分方程的展开，将物理状态映射、投影到紧凑传播状态以及谱模式演化分离开来，从而提高了时间外推的稳定性和准确性。 AI

影响 引入了一种更稳定、更准确地预测复杂物理系统长期行为的新方法，可能对科学模拟和预测产生影响。

排序理由 该集群包含一篇详细介绍一种新颖科学预测方法的学术论文。[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 →

新神经网络框架改进了长时程偏微分方程预测

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Jiahao Shi ·

    Stable Long-Horizon PDE Forecasting via Latent Structured Spectral Propagators

    Long-horizon forecasting of time-dependent partial differential equations (PDEs) is critical for characterizing the sustained evolution of physical systems. While neural operators have emerged as efficient surrogates, they typically learn implicit finite-time transitions from dis…

相关实体

相关话题