Darcy flow of polymer from an inclined plane with convective heat transfer analysis: a numerical study
PulseAugur coverage of Darcy flow of polymer from an inclined plane with convective heat transfer analysis: a numerical study — every cluster mentioning Darcy flow of polymer from an inclined plane with convective heat transfer analysis: a numerical study across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
函数空间Transformer自适应表示以应对科学和视觉任务
研究人员推出函数空间Transformer (FST)，一个旨在从离散样本表示的函数中学习的新颖框架。与使用固定网格的传统方法不同，FST采用一种空间自适应的连续潜在表示，其锚点位置根据输入观测值进行预测和优化。这种自适应方法使表示能够更好地匹配输入的空间组织，从而提高性能。FST在PDE预测任务上展示了优于Perceiver IO的结果，并在ImageNet-1K上以更少的参数实现了比Vision Transformer更高的准确率。
-
新的PCA-Net方法减少了PDE算子学习中的伪影
研究人员开发了一种名为Two-Scale Localized PCA-Net的新方法，用于学习偏微分方程（PDE）的算子。该技术将解分解为粗粒度全局分量和局部残差校正，利用紧凑的全局PCA基来表示域尺度结构，并利用非重叠的局部PCA基来表示精细尺度的残差。与现有的Localized PCA-Net方法相比，该方法显著降低了重建误差和可见伪影，同时还降低了拟合成本。
-
新研究探索自适应且独立于域的神经算子 · 跟踪4个来源
研究人员正在探索神经算子（用于近似物理模拟）的新方法。一种方法LatentDDM，侧重于在较小的子域上预训练算子，然后使用轻量级模块来适应新环境，在Darcy流和不可压缩流模拟中显示出误差降低。另一篇论文介绍了欧几里得傅里叶神经算子（EFNOs）作为标准傅里叶神经算子（FNOs）的独立于域的替代品，通过将谱核参数化为物理波矢的连续函数，从而实现跨不同周期域的泛化。此外，一项研究调查了傅里叶神经算子中的稀疏性，区分了表示、参数、理论运算…
-
两篇arXiv论文推进算子学习和TAMP
arXiv上的两篇新研究论文探讨了算子学习和任务与运动规划（TAMP）的进展。第一篇论文介绍了一种新颖的神经算子架构，可以在不依赖训练数据的情况下强制执行齐次狄利克雷边界条件，使其适用于通用几何形状和任意网格数据。第二篇论文提出了一个用于任务与运动规划（TAMP）中学习算子的系统，该系统可自动生成宏算子，将重复的动作序列压缩为单个规划步骤，从而显著加快规划速度并能够解决更长、更复杂的任务。
-
新的GalerkinFlow框架通过监督整个重建路径来增强超分辨率
研究人员推出了一种新颖的框架GalerkinFlow，专为科学领域和图像处理中的超分辨率任务而设计。与仅监督最终高分辨率输出的传统模型不同，GalerkinFlow监督从粗糙输入到精细目标的整个重建路径。这是通过预测中间残差并使用伪端点损失来实现的，该损失在数学上与中间速度损失相关联。该框架还包含一个有限差分目标来约束局部空间变化，并将卷积特征与尺度条件下的Galerkin算子混合相结合，而无需控制方程或物理元数据。
-
新的FAST-DeepONet方法增强了AI在复杂PDE问题上的稳定性
研究人员开发了FAST-DeepONet，这是一种新颖的方法，用于提高深度算子网络（Deep Operator Networks）在处理偏微分方程（PDE）的高维输入时的统计稳定性。该新方法结合了固定的谱路径和正交残差的正则化投影，即使在存在大量相关传感器和有限算子样本的情况下，也能有效缓解性能下降。FAST-DeepONet在包括Navier--Stokes流动、Darcy流动和终端波场预测在内的各种应用中，均显示出显著的误差降低和参数效率。
-
新的边条件谱算子提升偏微分方程学习精度
研究人员开发了一个名为边条件谱算子（ESO）的新框架，以提高神经网络算子在求解偏微分方程（PDE）时的精度。ESO通过纳入局部逐边变化来解决现有谱算子的局限性，使模型能够更好地适应对准确物理行为至关重要的物理敏感局部结构。该框架还包括物理感知重加权（PAR），以强调重要的物理区域，在九个PDE基准测试中取得了最先进的性能。
-
新的LiNO算子提升了多分辨率神经网络的能力
研究人员推出了一种新颖的多分辨率算子——提升神经网络算子（LiNO），旨在增强从数据中学习微分方程解的能力。LiNO利用小波提升方案跨不同尺度自适应地分解和处理信息，从而能够同时捕捉全局动力学和精细尺度结构。这种方法实现了尺度感知建模，并在包括流体动力学和反应扩散系统在内的各种挑战性基准测试中，展现出优于现有神经网络算子的性能。
-
新研究：语言先验将Darcy流反演精度提高了81%
研究人员探索了使用语言先验来改进地质工程中的逆问题求解。通过将地质描述作为文本嵌入注入到学习到的Darcy流逆求解器中，与没有文本条件的求解器相比，他们观察到重建误差减少了81%。这种基于文本的方法在提供分类、类别级约束方面最有效，尤其是在水力头部低估导电性场的情况下，而几何细节则提供了次要的好处。该研究表明，语言先验可以作为一种有效的接口，将地质知识纳入逆求解器，从而提高训练稳定性并实现灵活的输入方法。
-
算子增强框架创建高效的神经偏微分方程代理模型
研究人员开发了一个名为算子增强（Operator Boosting）的新框架，用于创建更高效的神经网络代理模型来求解偏微分方程（PDE）。该方法分阶段训练残差场上的小型神经网络算子，逐步优化预测结果。该方法在各种 PDE 基准测试（包括 Navier-Stokes 和 Darcy 流）上，参数数量显著减少（通常在 72-95% 之间），同时实现了相当或更高的准确性。