Amirhossein Arzani
PulseAugur coverage of Amirhossein Arzani — every cluster mentioning Amirhossein Arzani across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Agentic AI 发现稀疏 CT 扫描的最佳采样方法
研究人员开发了一个 Agentic AI 系统，能够为稀疏视图 CT 扫描发现最佳采样策略，特别是用于预测血流动力学信息。这种 AI 方法以及一种 Soft top-K 方法，在极端稀疏的条件下，显著优于传统的固定采样方法。研究强调，为特定物理量（如血流动力学）优化数据采集与为图像重建优化数据采集有着根本性的不同。
-
新框架使算子学习模型具有自解释性
研究人员开发了一种新的自解释算子学习框架，增强了函数数据分析中使用的神经网络模型的可解释性。该框架将算子学习重新构建为广义函数线性模型，从而可以将输入域分解为子域。通过计算局部积分，模型可以精确定位对预测有贡献的特定输入区域，从而将空间特征与输出模式联系起来。这种嵌入式可解释性提供了一种透明且物理上可解释的方法，特别适用于流体流动问题等科学应用，并且与已建立的事后方法在定性上是一致的。
-
可微分物理和PINN重构壁面剪切应力
研究人员开发了两种逆向框架，即可微分物理方法和物理信息神经网络（PINNs），以从被动标量观测中重构壁面剪切应力（WSS）。该研究在经典和患者特异性心血管流动问题上评估了这些方法。与PINNs相比，可微分物理框架在各种测量场景下表现出更高的准确性和鲁棒性，尤其是在近壁数据有限的情况下。
-
DIANO框架为科学机器学习实现可解释的潜在空间
研究人员推出了一种新颖的框架——DIfferentiable Autoencoding Neural Operator (DIANO)，旨在为科学机器学习创建可解释且计算效率高的潜在空间。DIANO 利用神经算子进行降维和重构，从而能够在潜在空间中直接强制执行物理定律。这种方法已在包括流体动力学模拟在内的各种基准问题上，以降低的计算成本准确重构了复杂时空数据。