Burgers
PulseAugur coverage of Burgers — every cluster mentioning Burgers across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新的TGSR-PINN方法增强了物理信息神经网络的迁移学习能力
研究人员开发了一种名为目标引导选择性重加权PINN（TGSR-PINN）的新方法，以提高物理信息神经网络（PINNs）在逆问题中的迁移学习能力。该方法解决了负迁移等挑战，即在一种物理参数集上训练的模型由于机制或噪声的不同而在另一种参数集上表现不佳。TGSR-PINN采用目标证据驱动策略，通过对神经元进行评分并对表现不佳的神经元的权重和偏置应用选择性软衰减来纠正表示。实验表明，该方法在平流-扩散和跨PDE族迁移等各种复杂物理任务中，在保…
-
新的神经网络方法解决复杂的偏微分方程 · 跟踪 3 个来源
研究人员开发了用于求解复杂域中偏微分方程 (PDE) 的新神经网络框架。一种方法，域分解随机神经网络，使用近场和远场区域的专用子网络来更准确地处理无界域。另一种方法，PCA--RaNN，将基于 PCA 的降维与随机特征相结合，以实现神经网络算子更快的训练，在保持精度的同时实现显著加速，并实现不确定性量化。
-
人工智能设计可持续且营养丰富的汉堡
研究人员利用生成式人工智能设计了新颖的汉堡食谱，这些食谱既美味又可持续。人工智能模型分析了各种成分及其营养成分，以创建最佳组合。这种方法旨在提高食品生产的可持续性和营养价值。
-
新的HSPINN方法提高了物理信息神经网络的精度
研究人员开发了一种名为自适应硬-软物理信息神经网络（HSPINN）的新方法，以提高物理信息神经网络（PINNs）的训练和精度。传统的PINNs由于优化挑战，在收敛缓慢和边界执行不准确方面存在困难。HSPINN通过精确执行Dirichlet和周期性边界条件来解决这个问题，同时将PDE残差和其他条件视为软约束。自适应损失加权策略动态平衡这些约束，消除了手动调整并提高了稳定性。与传统的PINNs相比，这种方法在各种问题上显示出更快的收敛速度…
-
新的测试方法验证科学机器学习代理
研究人员开发了一种新的方法来测试科学机器学习（SciML）代理，这些代理可以近似复杂的模拟。所提出的方法称为域有效性门控变形测试，解决了在无法获得精确输出时验证这些代理的挑战。它引入了一个评分标准来筛选候选的变形关系是否具有域有效性，以及一个可执行资产格式来记录测试细节和判决。对 MeshGraphNets 和 PhysicsNeMo 的案例研究证明了该方法能够区分模型级别的违规和域外应用。
-
新的偏微分方程框架提供稳定、高效的解决方案，无需传统方法
研究人员开发了一种新颖的偏微分方程（PDE）求解框架，该框架绕过了传统的基于矩阵的方法和数据密集型神经网络训练。这种新方法利用物理约束的扩散迭代和高斯平滑，使随机初始场向稳定解演化。该方法在各种一维方程上已证明了准确的收敛性和具有竞争力的结果，为科学和工程应用提供了一种灵活高效的替代方案。