classic Runge–Kutta method
PulseAugur coverage of classic Runge–Kutta method — every cluster mentioning classic Runge–Kutta method across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法利用物理先验重建风驱动植被
研究人员开发了一种新的方法，用于在单目视频中重建风驱动的植被，解决了沿视线方向的不可观察运动和缺乏静态参考点的挑战。该方法用物理参数化的变形先验替换了直接学习的变形场，为每个刚性部分使用了阻尼谐振子。该先验使用可微分的RK4方法进行积分，并通过光度法进行监督，旨在恢复运动，而不仅仅是优化光度一致性。虽然该方法在未见过的风速下显示出改进的时间外推和性能，但其代价是在分布内视图上的外观保真度下降，并且参数恢复，特别是阻尼的恢复，仍然较弱。
-
新型神经网络从位置数据中推断隐藏物理
研究人员开发了基于历史信息的拉格朗日神经网络（HiLNN），仅使用位置数据来改进机械系统的长期预测。该新模型通过从历史观测中推断隐藏的速度和系统参数，解决了现有物理引导网络的局限性。HiLNN 利用循环编码器提取潜在上下文，然后调整系统的质量矩阵、势能和阻尼系数。该模型使用可微分的龙格-库塔方法进行端到端训练，并已证明与当前最先进的方法相比，具有更高的准确性和能量剖面保持能力。
-
汉氏神经网络在长时预测精度上表现出改进
研究人员将汉氏神经网络（HNNs）与标准前馈网络在预测摆和开普勒动力学方面进行了评估。通过使用相同的训练数据、优化设置和积分方案，研究发现HNNs在长预测时程中显著降低了能量漂移和轨迹均方误差。在摆任务上，HNNs展示了42倍的能量漂移减少和15.8倍的轨迹MSE减少，在相空间的非线性区域性能提升更为明显。在开普勒二体问题中也观察到了类似的预测精度和物理一致性方面的优势。
-
新的LSEO场论实现了大型语言模型的持久状态
研究人员提出了一种新颖的LSEO场论架构，用于实现大型语言模型（LLMs）的持久状态。该理论将持久状态重新定义为非欧几里得流形上的动态场，摒弃了传统的基于存储的方法。所提出的系统在具有小型MiniLM-L3-v2模型的单个CPU上实现，展示了在潜在空间内连续的状态演化，维持了一个独立于LLM API的稳定前向循环，并跨会话持久化。