Helmholtz equation
PulseAugur coverage of Helmholtz equation — every cluster mentioning Helmholtz equation across labs, papers, and developer communities, ranked by signal.
-
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。
-
新的分层表示提升了物理信息神经网络的性能
研究人员引入了一种新颖的分层秩演化（HRE）表示，旨在增强物理信息神经网络（PINNs）。该新方法通过自动确定最优秩来解决现有基于张量的PINNs的局限性，从而提高对复杂解结构的捕捉能力。在包括流体动力学和静态方程在内的各种物理问题上的大量实验表明，HRE-PINNs与当前最先进的方法相比，实现了更高的准确性。
-
新的神经算子框架处理复杂的偏微分方程 · 2篇论文
两篇新的研究论文介绍了一种用于求解偏微分方程（PDE）的新型神经算子框架。第一篇，FB-C2CNet，利用固定基来编码和解码函数系数，降低了可训练维度和训练成本，同时适应散乱数据。第二篇，SC-NO，采用自组合架构，迭代应用骨干模块，模仿经典迭代求解器，逐步解析复杂的解特征，并减轻频谱偏差，特别适用于高频和多尺度问题。
-
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。
-
新学习的预处理器McMg加速亥姆霍兹方程求解 · 追踪4个来源
研究人员开发了一种新的学习预处理器McMg，用于求解异构亥姆霍兹方程，与经典方法相比，它显著减少了迭代次数和计算时间。该方法通过在每个粗节点上携带学习到的幅度、相位、方向和散射系数，而不是单一标量未知数，来保留未解析的局部波信息。模型展示了跨不同尺度和问题的泛化能力，性能优于现有的神经预处理器。
-
DeepONet学习非参数二维几何的亥姆霍兹方程算子
研究人员开发了一种物理信息神经网络算子DeepONet，用于求解非参数域上的二维亥姆霍兹方程。该方法学习散射体几何与产生的波场之间的关系，使用符号距离函数来编码任意形状。与传统的有限元方法相比，该模型提供了计算量更小的替代方案，并避免了域重网格化的需要。
-
新的 Pi-PINN 框架增强了物理信息神经网络的泛化能力
研究人员开发了一个名为 Pi-PINN 的新框架，以提高物理信息神经网络 (PINNs) 的泛化能力。该方法学习可迁移的物理信息表示，从而能够更快、更准确地求解已知和未知的偏微分方程 (PDEs)。与传统的 PINNs 和数据驱动模型相比，Pi-PINN 即使在训练数据很少的情况下，也能显著加快速度并减少误差。
-
新型神经网络求解器采用绿色积分法高效模拟亥姆霍兹方程
研究人员开发了一种新颖的绿色积分（GI）神经网络求解器，旨在更有效地模拟声学亥姆霍兹方程，尤其是在复杂多相介质中。该新方法不同于传统的物理信息神经网络（PINNs），它利用积分表示来强制执行波动物理，从而避免了计算成本高昂的点状偏微分方程残差最小化和人工边界层。GI求解器与标准PINNs相比，计算成本显著降低了十倍以上，并且通过混合GI+PDE损失函数提高了强散射区域的准确性。