convection
PulseAugur coverage of convection — every cluster mentioning convection across labs, papers, and developer communities, ranked by signal.
-
SPARC-Net架构改进了用于复杂PDE的物理信息神经网络
研究人员开发了SPARC-Net，这是一种新颖的架构和训练框架，旨在克服物理信息神经网络（PINNs）在求解复杂偏微分方程（PDEs）时存在的局限性。传统的PINNs在处理刚性和激波主导的问题时存在困难，导致解决方案不准确。SPARC-Net通过集成自适应多尺度谱编码器、门控残差骨干网络以及硬约束输出以强制执行初始和边界条件来解决这些问题，从而防止损失权重崩溃。该框架还采用了稳定的梯度范数损失平衡和尊重因果关系的残差加权。与Burge…
-
新的SPARC-Net架构增强了用于复杂PDE的物理信息神经网络
研究人员开发了SPARC-Net，这是一种新颖的架构，旨在克服物理信息神经网络（PINNs）在处理刚性和激波主导的偏微分方程（PDEs）时存在的局限性。新框架解决了光谱偏差、不平衡优化、时间因果关系违反和欠采样配置等问题。SPARC-Net集成了自适应光谱编码器、门控残差骨干网络和硬约束输出，以强制执行初始和边界条件，与传统的PINNs相比，在各种基准测试中显著提高了准确性。
-
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…