研究人员开发了一个新的框架，使用条件归一化流和物理信息神经网络（PINNs）来求解Fokker-Planck方程（FPE）。该方法通过重新构建问题以近似一个转移概率密度函数（PDF），从而有效地近似了各种初始条件的解算子。该方法利用一个相关的线性随机微分方程的PDF作为归一化流的基础分布，提高了准确性，尤其是在早期时间点，并减轻了数值不稳定性。 AI
影响 这项研究引入了一种求解复杂微分方程的新方法，有可能提升AI在科学模拟和建模方面的能力。
排序理由 该集群包含一篇学术论文，详细介绍了一种求解特定类型方程的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.09434v1 Announce Type: new Abstract: The Fokker-Planck equation (FPE) plays a pivotal role in describing the time evolution of probability density functions (PDFs) for systems governed by stochastic dynamics. In this work, we propose a conditional normalizing flow-base…
The Fokker-Planck equation (FPE) plays a pivotal role in describing the time evolution of probability density functions (PDFs) for systems governed by stochastic dynamics. In this work, we propose a conditional normalizing flow-based physics-informed neural network (PINN) framewo…