finite difference
PulseAugur coverage of finite difference — every cluster mentioning finite difference across labs, papers, and developer communities, ranked by signal.
-
新的高斯过程方法解决了具有不确定性量化的复杂波问题
研究人员开发了一种新颖的方法来解决由亥姆霍兹方程控制的复杂波传播问题，特别是在波数平方为复数的耗散介质中。这种新方法将算子感知高斯过程（GP）回归扩展到处理复值场，方法是将问题转换为等效的实值系统。该方法在基准问题上展示了与有限差分和神经网络基线相比具有竞争力的性能，并提供了量化其预测不确定性的优势。当应用于体外脑磁共振弹性成像时，该技术成功地重建了与测量值高度相关的剪切旋度场。
-
AI模型加速地震波场模拟，提高精度和速度
研究人员开发了一种新颖的基于条件扩散的波场传播器，用于地震波模拟，旨在克服传统有限差分法的局限性。这种新方法将扩散模型与最近的波场快照、速度模型和时间索引相结合，以预测后续状态。通过采用因果时间加权损失，该模型有效减少了预测误差，并允许比传统求解器大得多的时间步长，在实验中实现了2.17倍的速度提升。
-
新的迁移学习方法增强了锂离子电池状态估算的AI能力
研究人员开发了一个用于物理信息神经网络（PINNs）的迁移学习框架，以改进锂离子电池的状态估算。该方法通过预训练一个通用模型，然后针对特定电池进行微调，解决了为不同电池化学成分从头开始训练PINNs的挑战。使用PyBaMM进行的验证表明，该方法可以准确预测电压，保持电化学一致性，并显著缩短训练时间。
-
NOWS策略使用神经算子将PDE求解器速度提升90%
研究人员开发了一种名为神经算子预启动（NOWS）的新方法，用于加速求解复杂的偏微分方程（PDE）。这种混合方法使用学习到的神经算子为传统的迭代求解器提供高质量的初始猜测，从而显著减少所需的迭代次数。NOWS与现有的仿真基础设施集成，并已证明在保持经典数值方法稳定性的同时，计算时间可减少高达90%。