NAVIER STOKES ANALYSIS OF THE AERODYNAMIC PROPERTIES OF COAXIAL ROTORS
PulseAugur coverage of NAVIER STOKES ANALYSIS OF THE AERODYNAMIC PROPERTIES OF COAXIAL ROTORS — every cluster mentioning NAVIER STOKES ANALYSIS OF THE AERODYNAMIC PROPERTIES OF COAXIAL ROTORS across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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JEPA框架增强了偏微分方程的控制能力
研究人员开发了一种新颖的、利用联合嵌入预测架构（JEPA）的偏微分方程（PDE）的无目标控制框架。该框架在没有特定目标的情况下离线训练一个小型ViT编码器和条件动作的潜在动力学，然后将其冻结供模型预测路径积分（MPPI）控制器使用。研究发现，将控制目标应用于显式的物理可观测项，而不是最小化潜在空间中的原始欧几里得距离，可以获得更好的结果。具体而言，在PDE Control Gym 2D Navier--Stokes基准测试中，该方法提…
-
傅里叶神经网络算子为耗散方程实现学习保证
研究人员已经为傅里叶神经网络算子（FNOs）在应用于耗散演化方程的时间-T解算子时，建立了近似和学习保证。分析表明，如果FNOs能够稳定地进行谱离散化，它们就可以有效地学习这些算子。该研究推导了FNO近似界限和多项式样本复杂度保证，学习速率取决于输入空间的平滑度、物理域的维度、非线性项和耗散的强度等因素。
-
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。