English(EN) S$^{2}$-PINN: Stochastic Separable Physics-Informed Neural Networks

新的 S2-PINN 方法在随机偏微分方程的不确定性量化方面取得进展

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-05 04:00

研究人员开发了 S$^{2}$-PINN，这是一种用于随机偏微分方程不确定性量化_的新方法。该方法利用了可学习的高斯空间字典、傅里叶时间特征和广义多项式混沌 (gPC) 随机基，所有这些都通过低秩的 Canonical Polyadic (CP) 张量分解进行集成。S$^{2}$-PINN 使用混合损失函数进行训练，并在包括泊松、达西和 Navier-Stokes 问题在内的各种基准测试中，与九种基线方法相比，在准确性和校准方面均表现出优越性。 AI

影响这项研究为科学计算中的不确定性量化提供了一种更准确、参数效率更高的方法，有可能改进依赖复杂物理模型的领域的模拟。

排序理由该集群包含一篇研究论文，详细介绍了一种求解随机偏微分方程的新方法。 [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: 6 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇研究论文，详细介绍了一种求解随机偏微分方程的新方法。 [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: 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]

arXiv cs.LG TIER_1 English(EN) · Zhendong Li, Akwum Onwunta · 2026-10-05 04:00

S$^{2}$-PINN：随机可分离物理信息神经网络

arXiv:2610.03303v1 Announce Type: new Abstract: Uncertainty quantification (UQ) for random partial differential equations (PDEs) is ubiquitous in computational science and engineering. However, classical spectral solvers for this class of problems face the curse of dimensionality…

本文如何被排名

报道来源 [1]

S$^{2}$-PINN：随机可分离物理信息神经网络

相关实体

相关话题