PulseAugur
中
实时 15:00:07
English(EN) Physics-Informed Residuals for Adaptive Mesh Refinement in Finite-Difference PDE Solvers

PINNs 增强 PDE 求解器的自适应网格细化

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新颖的方法，该方法使用物理信息神经网络 (PINNs) 来增强偏微分方程 (PDE) 的有限差分求解器中的自适应网格细化 (AMR)。这种混合方法采用 PINNs 来识别高求解难度区域，从而指导有限差分求解器更有效地分配计算资源。在粘性 Burgers 方程等基准测试上的评估表明，与均匀细化策略相比，误差显著降低，自由度更少。 AI

影响 通过优化计算资源分配，该方法有望为复杂物理系统带来更高效、更准确的模拟。

排序理由 该集群包含一篇详细介绍求解 PDE 新方法的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Henry Kasumba, Ronald Katende ·

    Physics-Informed Residuals for Adaptive Mesh Refinement in Finite-Difference PDE Solvers

    arXiv:2606.02475v1 Announce Type: cross Abstract: Classical finite-difference solvers remain reliable tools for partial differential equations, but their efficiency depends on where mesh resolution is placed. Uniform refinement can waste degrees of freedom when solution difficult…

  2. arXiv cs.LG TIER_1 English(EN) · Ronald Katende ·

    Physics-Informed Residuals for Adaptive Mesh Refinement in Finite-Difference PDE Solvers

    Classical finite-difference solvers remain reliable tools for partial differential equations, but their efficiency depends on where mesh resolution is placed. Uniform refinement can waste degrees of freedom when solution difficulty is localised near sharp gradients, fronts, oscil…

相关实体

相关话题