Burgers' equation
PulseAugur coverage of Burgers' equation — every cluster mentioning Burgers' equation across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新框架提升物理信息神经网络精度
研究人员开发了 DSGNAR，一个旨在改进物理信息神经网络 (PINNs) 训练的新型优化框架。该框架解决了以往限制 PINNs 精度（相比经典求解器）的病态问题。DSGNAR 在包括 Burgers 方程和高维 Poisson 问题在内的各种问题上实现了显著改进，达到了极低的误差率，同时还展示了更快的计算速度。
-
新的深度学习框架MuRFiV增强了时空动力学预测能力
研究人员开发了一个新的深度学习框架MuRFiV，该框架受有限体积法启发，旨在提高复杂时空动力学预测的准确性。该框架通过将偏微分方程信息直接嵌入神经网络架构中，整合了物理信息学习。在应用于Burgers方程、浅水方程和不可压缩Navier-Stokes方程等系统时，MuRFiV在长期预测精度和稳定性方面优于传统的纯数据驱动神经网络。
-
神经网络初始化谱的新数学模型
研究人员开发了一个新的数学框架来分析非平方随机矩阵乘积的奇异值谱。该框架可用于理解初始化时深度线性神经网络的特征协方差特征值。该研究引入了几何Dyson布朗运动和Burgers方程来模拟这些谱过程，最终得到自由对数正态律。
-
Hartley 神经算子提供傅里叶神经算子的实值替代方案
研究人员推出了一种名为 Hartley 神经算子 (HNO) 的新模型，旨在效仿傅里叶神经算子 (FNO) 的能力，但侧重于实值偏微分方程 (PDE) 解。与使用复数算术和快速傅里叶变换 (FFT) 的 FNO 不同，HNO 采用实离散 Hartley 变换，从而实现纯实值谱表示。这种区别使得 HNO 在处理具有实值格林函数的自伴椭圆算子（如泊松方程和双调和方程）时更高效、更准确。相反，FNO 更适合处理涉及相位的时变算子（如波动方程…
-
新型神经网络以更高的精度和速度加速偏微分方程求解 · 跟踪 4 个来源
研究人员正在开发先进的神经网络架构来改进偏微分方程 (PDE) 的求解。一种方法是自适应硬-软物理信息神经网络 (HSPINN)，它能精确强制执行边界条件，并使用自适应损失加权来平衡不同约束，从而比传统的 PINN 具有更快的收敛速度和更高的精度。另一种方法是时间诱导神经网络 (TINNs)，它将网络权重参数化为时间的函数，使空间表示能够演变，并显著提高了误差性能和收敛速度。此外，一种基于快速直接求解器的神经网络利用分层矩阵来学习 P…
-
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。
-
新的深度学习方法解决复杂的偏微分方程优化问题
研究人员开发了一种新颖的两阶段多级深度学习（TS-MGDL）方法，以解决训练偏微分方程（PDE）深度神经网络中的优化挑战。该方法首先逐步训练浅层网络以捕获低频到高频分量，然后对选定的层进行精炼以实现分层改进。在Burgers方程上的实验表明，TS-MGDL的性能显著优于单级学习，预测误差最多可降低60倍。
-
新型自适应内存门增强神经算子性能
研究人员开发了一种用于神经算子（AMGFNO）的自适应内存门，以提高其在求解时间相关偏微分方程（PDE）方面的性能。现有的增强内存神经算子使用固定的内存权重，这限制了它们在分辨率或物理参数等不同观测条件下的适应性。AMGFNO引入了一个可学习的门控机制，可以动态调整内存权重，在Kuramoto-Sivashinsky和Burgers方程上，尤其是在低分辨率下，显著降低了归一化均方根误差（nRMSE）。
-
新的主动学习方法用超低数据发现动力学
研究人员开发了一种新的主动学习策略，用于发现复杂动力学系统的控制方程，特别是在数据稀缺的情况下。该方法建立在非线性动力学稀疏识别（SINDy）及其集成扩展（E-SINDy）的基础上，优先在信息最丰富的区域进行采样，以更有效地识别模型。与随机采样相比，该方法在仅使用少量数据样本的情况下，已成功准确地识别了常微分方程和偏微分方程的动力学。
-
新型小波-拉普拉斯神经网络算子提升偏微分方程求解能力
研究人员推出了一种名为小波-拉普拉斯神经网络算子（WLNO）的新型神经网络算子，用于求解偏微分方程。WLNO通过引入Haar小波变换来分解和分析多尺度的空间特征，从而增强了现有的拉普拉斯神经网络算子（LNO）。这种融合使得WLNO能够更好地捕捉复杂偏微分方程解中固有的局部多尺度特征，在Burgers方程和Navier-Stokes方程等基准问题上比LNO表现出更优的性能。
-
深度神经网络被视为离散动力系统
一篇新的研究论文提出将深度神经网络（DNNs）视为离散动力系统，并将其与神经积分方程及其偏微分方程（PDE）形式进行类比。该研究将Burgers方程和Eikonal方程的数值解与物理信息神经网络（PINNs）的解进行比较，表明PINNs提供了一条不同的计算路径。虽然PINNs可能比传统方法使用更多的参数且可解释性较差，但在基于网格的方法失效的高维问题中，其灵活性可能具有优势。
-
新的神经网络算子整合物理对称性以提高泛化能力
研究人员开发了一种新的神经网络算子，称为 PACE-FNO，通过整合已知的演化方程的连续对称性，能够更好地处理分布外场景。该模型将估计输入帧对齐和预测物理演化的任务分开，提高了泛化能力。在各种一维和二维方程上的实验表明，PACE-FNO 在分布内精度上与标准方法相当，同时显著减少了分布外误差。
-
新的核学习方法利用多保真度数据解决非线性偏微分方程
研究人员开发了一种新的核学习方法，使用协同克里金法来求解非线性偏微分方程（PDE）。该方法利用来自多保真度模拟的经验信息，将可微分的非平稳核拟合到低保真度数据上。然后，该方法推导出高保真度核和均值，并将其集成到高斯过程框架中以求解PDE，在Burgers方程上证明了其有效性。
-
新的 Pi-PINN 框架增强了物理信息神经网络的泛化能力
研究人员开发了一个名为 Pi-PINN 的新框架，以提高物理信息神经网络 (PINNs) 的泛化能力。该方法学习可迁移的物理信息表示，从而能够更快、更准确地求解已知和未知的偏微分方程 (PDEs)。与传统的 PINNs 和数据驱动模型相比，Pi-PINN 即使在训练数据很少的情况下，也能显著加快速度并减少误差。
-
AI方法通过稀疏识别解决复杂的非线性偏微分方程
研究人员开发了一个使用稀疏径向基函数网络的求解非线性偏微分方程（PDE）的新颖框架。该方法结合了促进稀疏性的正则化，以管理参数过剩并减少冗余特征，旨在改进现有的方法，如物理信息神经网络和高斯过程。该方法基于再生核巴拿赫空间理论，并采用三阶段算法以提高计算效率，包括自适应特征选择和剪枝。数值实验表明了其有效性，尤其是在其优于高斯过程方法的情况下。