PulseAugur
中
实时 13:10:30
English(EN) FC-PINO: High Precision Physics-Informed Neural Operators via Fourier Continuation

FC-PINO 提升物理信息神经网络算子的精度

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出 FC-PINO，一种用于物理信息神经网络算子 (PINOs) 的新型架构，旨在提高求解偏微分方程 (PDEs) 的精度。传统的 PINO 方法由于谱微分对周期性的假设，在处理非周期函数时存在困难，导致精度下降。FC-PINO 集成了傅里叶延拓技术，特别是 FC-Legendre 和 FC-Gram，将非周期信号转换为扩展域上的周期信号。这种方法能够进行更准确、更鲁棒的导数计算，在处理非周期和非光滑 PDEs 的挑战性基准测试中显著优于标准 PINO。 AI

影响 这项研究可能带来更准确、更高效的 AI 模型，用于受 PDEs 控制的领域的科学模拟和预测。

排序理由 该集群描述了一篇介绍使用神经网络求解偏微分方程的新颖方法的研究论文。[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 →

FC-PINO 提升物理信息神经网络算子的精度

本文如何被排名

Signal score
8 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
该集群描述了一篇介绍使用神经网络求解偏微分方程的新颖方法的研究论文。[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, model release
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) · Adarsh Ganeshram, Valentin Duruisseaux, Haydn Maust, Zongyi Li, Yixuan Wang, Daniel Leibovici, Oscar Bruno, Thomas Hou, Anima Anandkumar ·

    FC-PINO：通过傅里叶连续实现高精度物理信息神经网络算子

    arXiv:2211.15960v4 Announce Type: replace Abstract: The physics-informed neural operator (PINO) is a machine learning paradigm that has demonstrated promising results for learning solutions to partial differential equations (PDEs). It leverages the Fourier Neural Operator to lear…

相关实体

相关话题