partial differential equation
PulseAugur coverage of partial differential equation — every cluster mentioning partial differential equation across labs, papers, and developer communities, ranked by signal.
- instance of alphaXiv 90%
- instance of Gotit.pub 90%
- instance of ScienceCast 90%
- used by Neural Operators 90%
- used by Gotit.pub 70%
- used by alphaXiv 70%
- instance of CatalyzeX 70%
- used by IArxiv 70%
- instance of Neural Operators 70%
- used by ScienceCast 70%
- used by CatalyzeX 60%
- developed Neural Operators 60%
6 天有情绪数据
-
OCL-PDE框架通过潜在表示增强偏微分方程逆问题求解
研究人员推出了一种新颖的生成框架OCL-PDE，旨在解决病态的偏微分方程（PDE）逆问题。该框架利用学习到的潜在表示来补充观测数据，从而恢复传统方法中常丢失的精细细节。OCL-PDE包含一个物理感知自动编码器和条件流匹配，支持逆向重建和前向PDE预测，并在实验中展示了卓越的重建精度。
-
SPEAR神经算子通过谱解耦增强偏微分方程预训练
研究人员开发了SPEAR，这是一种新颖的混合专家（MoE）神经算子，专为偏微分方程（PDE）的大规模预训练而设计。SPEAR将潜在特征解耦为低频和高频分量，以更好地模拟共享的可迁移动力学和专门的PDE模式。为了对抗MoE架构中的专家冗余，该系统采用了一种知识引导的聚合策略，该策略根据数据集特定的知识和路由偏好来识别和合并相似的专家。实验表明，SPEAR在十二个PDE数据集的预训练、微调和迁移学习方面取得了卓越的性能，同时在不牺牲预测精…
-
新的扩散模型PhysDEM可从稀疏数据生成时空场
研究人员开发了PhysDEM，一个新颖的物理定义的扩散框架，旨在从有限的测量数据生成时空物理场。该方法将控制偏微分方程与稀疏观测数据相结合，以产生多个合理场结果。PhysDEM通过用PDE残差能量重新加权测量条件的高斯参考来构建吉布斯目标，然后将去噪简化为监督学习任务。该框架能够进行有效的采样和连贯的场恢复，在场评估应用中具有价值。
-
新研究识别出偏微分方程学习中的几何-物理混淆
一篇新研究论文识别出一种名为“几何-物理混淆”的问题，该问题会影响跨不同领域的偏微分方程（PDE）的学习。当几何形状的变化同时改变场的表示和控制微分算子时，就会发生这种混淆，使得模型难以区分几何效应和内在物理属性。该论文提出了一个框架来解决这个问题，通过明确已知的几何到算子的转换，从而提高了算子学习基准的预测准确性和数据效率。
-
新方法提升神经PDE求解器的准确性和效率 · 跟踪4个来源
研究人员正在探索训练偏微分方程（PDE）神经求解器的新方法，以提高其准确性和效率。一种方法侧重于在简单预测分数之外评估所学的动力学，提出了一个框架来评估误差形成、集合几何和极端事件。另一种方法为非结构化神经PDE求解器引入了一个数据高效的预训练框架，利用几何驱动和物理驱动策略来减少对昂贵数据集的依赖。此外，一种名为“任意维度机器学习”的技术，利用图神经网络，允许在低维度训练的PDE求解器应用于高维度，并提高性能和降低计算成本。
-
NEXT架构增强了用于硬性偏微分方程的物理信息神经网络
研究人员引入了NEXT，一种新颖的物理信息神经网络架构，旨在更有效地处理硬性微分方程。NEXT将神经谱架构（NeuSA）的谱表示与高阶指数积分器相结合，可以精确积分向量场的线性硬性部分。这种方法在硬性偏微分方程的基准实验中确保了稳定性和准确性，而之前的NeuSA等方法会出现发散。该研究还证明了NEXT在逆问题中的应用，例如从稀疏数据中学习未知参数。
-
新的变分方法提高了长时程偏微分方程预测的稳定性
研究人员开发了一种新的变分方法，以提高神经偏微分方程（PDE）求解器的长时程预测能力。该方法引入了潜在马尔可夫动力学，其中物理状态由分布表示并通过概率转换进行演化。该框架被实例化为变分自编码马尔可夫算子（VAMO），结合了潜在场、结构化高斯扰动和神经算子转换，以正则化学习到的动力学并减少误差累积。在流体动力学基准测试上的实证结果表明，与现有基线相比，VAMO在扩展时程上显著提高了滚动稳定性和预测精度。
-
新的 arXiv 论文对优化器进行基准测试并为反问题去偏 PINN
两篇新的 arXiv 论文探索使用可微分物理模拟器和物理信息神经网络 (PINNs) 解决反问题。第一篇论文在 12 个可微分物理模拟器上对各种优化器进行了基准测试，以识别参数识别、逆设计和最优控制的有效策略。第二篇论文提出了一种使用 PINNs 的偏微分程约束反问题的去偏估计程序，通过纠正神经网络的干扰函数的偏差，实现了 $\sqrt{n}$ 一致且渐近正态的估计器。
-
DeepONets：注意力机制对求解PDE的准确性至关重要
研究人员对深度算子网络（DeepONets）进行了一项受控研究，以了解各种注意力机制对其性能的影响。该研究系统地评估了五种具有不同注意力配置的DeepONet变体，包括交叉注意力、自注意力以及分词（tokenization），分别在数据驱动和物理信息训练场景下进行。结果表明，结合了交叉注意力的每传感器分词显著降低了多个基准问题的误差率，其中查询依赖的交叉注意力被证明是最可靠的机制。
-
新的“方程重构”方法改进了用于聚变模拟的偏微分方程算子学习
研究人员开发了一种名为“方程重构”的新方法，以改进参数化偏微分方程（PDE）解算子学习。该技术将问题重新表述为学习单个规范算子，参数引起的变异被解析推导并吸收到有效源中。这种方法允许跨新参数范围进行零样本预测，通过将稀疏数据集整合到共享表示中来提高数据效率，并为推理失败提供内部警告信号。该方法已成功应用于核聚变的高保真托卡马克模拟，统一了四个设备几何形状的电子温度数据。
-
新研究为生成模型的流匹配提供了几何和基于残差的视角
两篇新研究论文探讨了生成模型流匹配技术的进展。第一篇论文《从分阶段几何角度看流匹配和无分类器引导的粒子动力学》为连续和离散采样提供了统一的几何理论，详细说明了轨迹如何被吸引以及引导如何重塑数据几何。第二篇论文《概率偏微分方程的残差增强流匹配算子》引入了一个通过关注表征低保真度和高保真度解之间差异的概率残差算子来学习具有潜在不确定性的代理模型的框架。Hugging Face 的相关分析从拉格朗日视角对流匹配进行了分析，从以粒子为中心的观…
-
新的诊断工具评估神经网络偏微分方程模拟器中的对称性学习
研究人员开发了一种新的诊断工具，用于评估偏微分方程的神经网络模拟器在多大程度上内化了物理对称性。该方法通过分析损失梯度在群轨道上的重叠来衡量参数更新在对称性相关状态之间的传播。该技术应用于流体流动模拟器，证明了梯度一致性是学习对称性变换的关键，并确定了训练何时收敛到与对称性兼容的解。
-
新的高斯泼溅表示将物理学整合到神经算子中
研究人员开发了一种新颖的方法，将物理定律整合到神经算子模型中，以求解偏微分方程（PDE）。该方法使用前馈高斯泼溅表示来连接解场和控制算子，从而允许将物理 PDE 算子直接整合到学习到的演化映射中。在二维和三维 PDE 系统（包括平流、扩散和反应动力学）上的评估表明，与纯粹的数据驱动基线相比，预测误差显著降低，频谱保真度得到提高，即使物理方程仅部分已知。
-
新的时空神经网络算子预测多尺度偏微分方程动力学
研究人员开发了一种使用时空神经网络算子预测多尺度偏微分方程（PDE）粗粒度动力学的新方法。该方法受 Mori-Zwanzig 形式主义的启发，直接从滤波后的高保真轨迹中学习替代演化算子。所提出的算子利用傅里叶卷积进行空间混合，并使用具有位置注意力权重的因果核算子进行时间混合，从而有效地编码了有限记忆效应。为了增强稳定性和减少非保守伪影，通过以显式散度形式参数化更新来嵌入 Flux 形式的归纳偏置。该方法已在多种复杂系统上得到验证，包括…
-
新的编码汉克尔多项式混沌方法用于谱模式识别
研究人员开发了一种新颖的谱公式，称为编码汉克尔多项式混沌（CH-PC），用于识别主导多项式混沌模式。该方法将多项式混沌系数转换为生成多项式，然后沿几何相位轨道对其进行评估以产生指数和。该方法利用低秩汉克尔矩阵来编码模型阶数和谱节点，并结合坐标相位偏移来恢复多项式多重索引。数值实验证明了其在精确恢复、噪声稳定以及识别各种基准和问题未知阶数和主导模式方面的有效性。
-
新的TREX框架将大型PDE基础模型蒸馏为高效的学生模型
研究人员开发了一个名为Teacher Rollout Extension (TREX) 的新知识蒸馏框架，用于从大型基础模型中创建更高效的学生模型，以处理时变偏微分方程（PDE）。TREX从微调后的教师模型生成长的合成轨迹，以增强有限的下游数据，使学生模型能够学习长视界状态和局部恢复行为。这种方法使学生模型在参数显著减少和推理速度提高一个数量级以上的同时，能够达到与教师模型相当或更优的准确性。
-
新的神经算子架构应对复杂的 PDE 预测 · 已追踪 4 个来源
四篇新研究论文介绍了用于求解偏微分方程 (PDE) 的新型神经算子架构。GeoIncNO 专注于面向几何的增量预测，以实现长时程稳定性，而 RECAST 提供了一个用于校正和超分辨率粗网格 PDE 求解器的框架。Kuramoto 神经算子 (KNO) 利用耦合振子动力学，而 MoNo 则利用多尺度最优传输在通用几何上构建稳定的潜在空间。这些方法旨在提高 PDE 模拟在各种科学和工程领域的准确性、稳定性和计算效率。
-
Kastor微调策略增强了偏微分方程模拟仿真
研究人员推出了一种名为Kastor的新型微调策略，旨在增强偏微分方程（PDE）模拟的生成性仿真。该方法结合了两阶段推理方案和一种名为均值预测正则化（MPR）的新训练目标，该目标约束生成模型在零噪声条件下预测确定性分布的均值。该方法还结合了空间梯度匹配以提高物理保真度。在The Well基准数据集上的评估表明，与Walrus等现有方法相比，Kastor显著降低了预测误差并提高了光谱一致性，平均预测误差降低了42.9%。
-
流匹配模型在生成和效率方面得到增强 · 跟踪 5 个来源
研究人员正在通过整合已知的物理原理和提高训练效率来推进流匹配模型在生成任务中的应用。一种方法，能量引导流匹配 (EG-FM)，使用移动的终点和自适应调度来逐步揭示高频细节，在图像生成方面取得了最先进的 FID 分数。另一种方法，幅度-方向解耦 (MDD)，通过使用轻量级模型进行幅度和方向引导来加速视频生成，在保持质量的同时显著提高了速度。此外，一种称为 StructFlow 的新技术将空间局部性编码到源分布中，从而实现了细粒度的局部编…
-
研究发现：大型语言模型已集成到偏微分方程工作流中
一篇新的arXiv论文探讨了大型语言模型（LLMs）在求解偏微分方程（PDEs）工作流中的集成。该论文详细介绍了LLMs如何在制定控制模型、生成数值求解器以及利用模拟反馈进行优化方面提供帮助。然而，研究也指出了局限性，例如缺乏高质量的数据集和基准测试，尤其是在实际应用方面，以及模拟结果与实际系统实现之间持续存在的差距。