Burgers
PulseAugur coverage of Burgers — every cluster mentioning Burgers across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新型MPNO模型增强瞬态动力学预测的稳定性
研究人员开发了一种名为本构马尔可夫物理信息神经网络算子 (MPNO) 的新型神经网络算子，旨在提高瞬态动力学预测的稳定性，特别适用于具有强间断性的问题。与易受自回归不稳定性影响的小波神经网络算子 (WNO) 或仅能涌现稳定性的傅里叶神经网络算子 (FNO) 不同，MPNO 在结构上内置了限制其传播算子谱半径的约束。这种设计确保了具有有界误差的稳定自回归展开，这在 Burgers 方程和混凝土穿透模拟等偏微分方程 (PDE) 问题上得到…
-
新方法利用Koopman动力学增强从噪声数据中发现方程的能力
研究人员开发了一种动力学感知的识别方法，用于从稀疏和噪声数据中识别控制方程，该方法建立在稀疏非线性动力学识别（SINDy）和PDE函数识别（PDE-FIND）等技术的基础上。新方法利用基于Koopman的升采样方法，包括动态模式分解（DMD）及其变体，在导数估计和稀疏回归之前对数据进行插值和去噪。此预处理步骤旨在提高导数估计的准确性，而导数估计通常在稀疏和噪声测量下不可靠。该方法在几个ODE和PDE系统上进行了测试，表明基于Koopm…
-
图像编辑模型展现出作为统一数值求解器的潜力
研究人员探索了使用预训练的生成式图像编辑模型作为数值模拟统一接口的潜力。通过将物理输入和解渲染为图像，并为参数使用轻量级适配器，他们发现单一架构可以表示各种静态和时间相关的物理映射。然而，该研究也突显了局限性，例如数值范围选择和强制执行控制方程方面的困难，其中混沌系统在长时程模拟方面尤其具有挑战性。
-
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。