Darcy
PulseAugur coverage of Darcy — every cluster mentioning Darcy across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的 S2-PINN 方法在随机偏微分方程的不确定性量化方面取得进展
研究人员开发了 S$^{2}$-PINN，这是一种用于随机偏微分方程不确定性量化_的新方法。该方法利用了可学习的高斯空间字典、傅里叶时间特征和广义多项式混沌 (gPC) 随机基，所有这些都通过低秩的 Canonical Polyadic (CP) 张量分解进行集成。S$^{2}$-PINN 使用混合损失函数进行训练，并在包括泊松、达西和 Navier-Stokes 问题在内的各种基准测试中，与九种基线方法相比，在准确性和校准方面均表现出优越性。
-
DiagEvo 方法利用错误历史来指导语言模型的自我演化
研究人员推出了一种新颖的语言模型自我演化方法 DiagEvo，该方法利用分层错误原因记忆来指导训练。与依赖外部资源或一般难度信号的先前方法不同，DiagEvo 直接从模型自身的失败历史中推导出其课程。该系统识别反复出现的错误原因，对其进行分类，并利用这些信息来平衡有针对性的训练与自由探索，从而在各种基准测试中提高性能。
-
新的诊断方法评估逆PINN参数精度
研究人员开发了一种新颖的双轴诊断方法来评估逆物理信息神经网络（PINN）的参数精度。该方法区分了由分辨率限制引起的误差和由网络固有的参数偏差引起的误差。该方法在合成一维偏微分方程上进行了测试，证明了其在跟踪参数偏好和指导未来研究方向方面的有效性。
-
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。
-
机器学习框架增强多孔介质气体流动模型
研究人员开发了一种新颖的机器学习框架，以改进多孔介质中气体流动的建模。该方法结合了Klinkenberg增强的本构关系和Hopf-Cole变换来线性化控制方程。使用共享主干神经网络架构和深度最小二乘求解器来精确预测压力和速度场，并支持用于参数估计的反向建模。