ANCHOR框架增强了神经算子在偏微分方程模拟中的准确性

研究人员开发了ANCHOR，一个将神经算子与经典数值求解器相结合的新型框架，以提高时间相关偏微分方程（PDE）模拟的准确性和稳定性。这种混合方法使用物理信息误差估计器来监控和纠正长期预测中累积的误差，这是独立神经算子常见的问​​题。在六个典型PDE上的评估表明，ANCHOR能够限制误差增长并提高鲁棒性，同时与纯数值方法相比保持了计算效率。 AI

影响 ANCHOR的混合方法为科学模拟提供了更可靠、更高效的长期预测途径，有望加速各个工程领域的研发。

排序理由 该集群包含一篇学术论文，详细介绍了使用神经算子改进数值模拟的新研究框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Allen–Cahn equation
• Burgers' equation
• Cahn–Hilliard equation
• Navier–Stokes equations
• neural operator
• partial differential equations
• Rajyasri Roy

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →