实体
Cahn–Hilliard equation
Cahn–Hilliard equation
PulseAugur coverage of Cahn–Hilliard equation — every cluster mentioning Cahn–Hilliard equation across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新型物理引导CNN预测复杂系统演化
研究人员开发了一种新型物理引导卷积神经网络，用于预测复杂物理系统的演化。该基于注意力机制的模型经过训练，能够准确预测相分离的时空变化，并以Cahn-Hilliard方程为例进行了测试。该模型在各种混合物类型上均能稳定且准确地进行长期预测，保持成分守恒并捕捉符合既定规律的域生长。
-
新的ESPINN框架有助于相场模型识别
研究人员开发了一个扩展伪谱物理信息神经网络（ESPINN）框架，用于从观测数据中识别相场模型。该方法可以同时恢复体化学势和未知的梯度系数，这对于理解相分离中的图案形成至关重要。使用Cahn-Hilliard方程进行的数值实验表明，即使数据有限，ESPINN也能准确地重构这些参数，并且在存在噪声的情况下性能会平稳下降，在快照更多的情况下性能会提高。
-
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。