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%
- developed Neural Operators 90%
- uses Neural Operators 90%
- used by Gotit.pub 70%
- instance of CatalyzeX 70%
- used by IArxiv 70%
- used by CatalyzeX 70%
- developed by Neural Operators 70%
- instance of Neural Operators 70%
10 天有情绪数据
-
新的PINN优化器利用PDE状态提升性能
研究人员开发了一种新颖的方法来优化物理信息神经网络(PINNs),通过将学习到的优化器与底层偏微分方程(PDE)的信息进行条件化。该方法引入了一个PDE状态捕获算子结构和一个短视界更新响应,用于调节元学习的优化器。结果表明,经过PDE状态条件化的优化器在相对L2、L1、解MSE和物理MSE等各种指标上均有所改进,在Linear Advection、KdV和Burgers等基准PDE上优于Adam和未条件化的学习优化器等标准优化器。
-
PhysDial 适配视频模型以进行动态 PDE 模拟
研究人员开发了 PhysDial,这是一种新颖的方法,可将预训练的视频扩散 Transformer 适配到模拟具有变化物理条件下的偏微分方程 (PDE)。该方法解决了先前 PDE 基础模型在模拟轨迹中动态变化方面遇到的局限性。PhysDial 集成了系数、条件场和方程文本,使模型能够更有效地响应系统强迫或参数的变化,从而显著降低了反事实场景下的误差。
-
PANO神经算子通过并行隐空间增强偏微分方程求解
研究人员推出了一种新颖的神经算子PANO,旨在更有效地解决偏微分方程(PDE)问题。PANO利用并行隐空间处理观测数据,能够比使用单一聚合模式的现有方法更全面地捕捉物理信息。该系统集成了耦合分配投影(CAP)以实现一致的编码和解码,以及成对隐空间注意力层(PaLA)以实现自适应的跨空间交互。实验表明,PANO在各种基准测试中均取得了最先进的性能,显著降低了等效塑性应变和升力系数等领域的预测误差。
-
Fuse-PINN框架实现复杂偏微分方程的可扩展并行模拟
研究人员开发了Fuse-PINN,一个结合了有限元方法(FEM)和物理信息神经网络(PINNs)的新型框架,以克服传统PINNs在模拟复杂非线性偏微分方程(PDEs)时的可扩展性限制。这种新方法能够在基于GPU的高性能计算系统上实现大规模并行模拟,并随着问题规模的增加展现出近乎完美的扩展性。Fuse-PINN框架采用能量自然梯度下降优化器以实现高精度收敛,并已成功应用于与磁约束聚变相关的物理模型。
-
新基准评估用于求解偏微分方程的大语言模型智能体
研究人员推出了RSI-PDEbench,这是一个旨在评估自改进大语言模型(LLM)智能体在求解偏微分方程(PDE)方面性能的新基准。该基准包含42个方程模板下的1001个案例,并设有三种评估设置:无噪声数据、有噪声数据和分布外泛化。开发了一个名为RSI-PDE的新型智能体工具,它使用残差损失进行方程选择,并使用相对L2反馈来优化系数和求解器,与基线方法和原生智能体工具相比,显著提高了成功率并减少了模型调用。
-
TORNADO 框架通过自适应随机性增强 PDE 预测
研究人员推出 TORNADO,一个用于偏微分方程 (PDE) 概率预测的新框架。该方法将潜在随机性适应于局部动力学,与使用固定全局随机性的现有方法相比,提高了不确定性校准。TORNADO 将预测表述为 VAE 编码器后验之间的随机传输,并使用解析条件端点目标进行训练,附加了一个能量距离正则化项以实现更好的分布对齐。
-
新的 MC^2 求解器通过神经-蒙特卡洛混合方法加速偏微分方程求解
研究人员开发了 MC$^2$,这是一种新颖的混合求解器,它将神经网络与蒙特卡洛方法相结合,以加速偏微分方程 (PDE) 的求解。该方法旨在以显著降低的计算成本实现传统蒙特卡洛方法的准确性,其性能优于现有的无网格、去噪和神经算子基线。为了支持进一步的研究和可复现的研究,该团队还发布了 PDEZoo,这是一个用于椭圆型偏微分方程的大规模基准数据集。
-
新的多保真度算子推理方法改进了机器学习代理模型
研究人员推出了一种新颖的机器学习方法——多保真度算子推理(MF-OpInf),旨在改进由偏微分方程(PDE)控制的复杂工程模拟的代理建模。该方法通过整合大量的低保真度数据来解决高保真度训练数据稀缺的挑战,从而降低了算子推理(OpInf)模型中常见的方差。实验表明,在计算预算受限的情况下,MF-OpInf 在预测 PDE 解场方面比传统的 OpInf 方法具有更高的准确性。
-
新采样方法提高了 PDE 重建的准确性和速度
研究人员开发了一种名为函数空间向后一致采样 (FunBCS) 的新方法,以提高从稀疏观测数据中重建偏微分方程 (PDE) 系数场的准确性和速度。这种输入空间优化方法解决了现有输出空间方法在处理不连续 PDE 时的局限性。评估显示,FunBCS 将重建误差降低了 27-64%,并且比当前最先进的技术快 1.4-2.1 倍。
-
MIGONet 推出用于输运现象建模的无求解器训练方法
研究人员推出了一种新颖的图神经网络算子 MIGONet,用于输运现象的代理建模。该模型采用一种独特的训练方法,称为离散制造解 (MMS),无需求解偏微分方程,从而显著缩短了数据生成时间。在热传导模拟中,MIGONet 的表现优于 MIONet 和其局部版本等现有方法,实现了显著更低的平均相对温度误差。
-
新的克里金方法整合全局PDE残差以增强概率求解
研究人员引入了一种名为PDE残差知情克里金(PRIK)的新方法,以增强使用高斯过程求解偏微分方程(PDE)的概率框架。PRIK将全局PDE残差信息直接整合到协方差结构中,提供了一种比依赖于点条件或全局约束的现有方法更全面的方法。这种新公式旨在最小化其后验均值中的积分平方PDE残差,并为方差缩放和模型复杂度提供统计解释。
-
新的速度匹配方法绕过模拟进行动力学学习
研究人员引入了速度匹配(VM)方法,这是一种新颖的无模拟训练连续时间动力学模型的目标函数。该方法旨在克服传统基于轨迹的目标函数的局限性,例如长滚动不稳定性以及数值方案偏差。VM 利用分段线性插值和随机配置来近似速度,在常微分方程和偏微分方程上提供了理论保证和更高的准确性。
-
Physics-Guided Flow Matching 增强了用于总电子含量预测的人工智能
研究人员开发了一种名为 Physics-Guided Flow Matching 的新型生成式人工智能框架,以提高全球总电子含量 (TEC) 预测的准确性。该方法将偏微分方程描述的物理动力学整合到流匹配过程中,该过程学习转换数据分布。通过将物理定律与数据中的统计模式相结合,该模型可以自适应地调整其在不同位置的贡献。使用 TIEGCM 模型的数据进行的评估显示,与现有基准相比,均方根误差显著降低,证明了将物理指导纳入生成式人工智能以进行…
-
主动简单假设检验的新界限
本文为主动简单假设检验(ASHT)中的最优误差指数引入了新的上限和下限。该研究结合了最近对最优指数的偏微分方程(PDE)刻画以及Hamilton-Jacobi PDE粘性解的比较原理。所得界限具有灵活性,由凸函数和集合参数化,并推广了该领域许多现有结果。
-
新的物理信息神经网络解决了高维检测问题
研究人员开发了QD-PINN,这是一个利用物理信息神经网络(PINNs)的新框架,用于解决高维扩散过程中贝叶斯最快检测问题的挑战。该方法通过建立自由边界偏微分方程与无限维随机优化问题之间的等价性,克服了维度灾难。通过深度集成和蒙特卡洛丢弃进行不确定性量化,进一步证明了该框架的鲁棒性,显示出停止边界的稳定和一致的估计。
-
新的 GAV 环境增强了用于偏微分方程的编码智能体 · 跟踪 1 个来源
研究人员开发了生成器-智能体-验证器 (GAV),这是一个新颖的科学实验环境,旨在提高处理偏微分方程 (PDE) 的编码智能体的可靠性。GAV 通过生成参考解并反向构建匹配问题来构建可验证的 PDE 问题,从而消除了昂贵的参考计算的需要。该系统包括一个设计实验的智能体和一个提供准确性和成本反馈的集成验证器,以指导智能体的迭代改进。在 Navier-Stokes 和 Vlasov-Poisson 方程上使用 GAV 进行的实验表明,现有…
-
新的正则化技术提高了神经 PDE 求解器的一致性
研究人员推出了一种名为“对齐潜在展开”(Align Latent Rollout, ALR)的新型正则化技术,旨在提高神经偏微分方程(PDE)求解器的一致性。该方法解决了自回归展开中的近似误差问题,在这种问题中,预测会因其时间起源而异。ALR 通过对齐神经网络在共享目标时间的内部表示,并确保局部演化响应的一致性来促进一致性。实验表明,ALR 在不改变底层神经算子架构的情况下,提高了预测精度并减少了不同展开起源之间的差异。
-
新的SALTO框架利用Koopman理论增强非线性事件推理
研究人员开发了SALTO,一个基于Koopman理论的用于推断非线性系统中有限幅度源的新颖框架。该方法通过允许使用单个、可重用的提升伴随算子来预测测量对一系列扰动的响应,从而改进了传统的伴随技术。SALTO通过将学习到的动力学锚定到模拟器的线性化传播器并施加结构约束来确保大小幅度变化都准确,从而实现这一点。在三个非线性偏微分方程系统上进行测试,SALTO在预测源测量和恢复源特征方面表现出显著的改进,为传统求解器提供了一种更具成本效益的替代方案。
-
新AI架构利用专家混合模型改进偏微分方程代理模型
研究人员开发了一种用于非结构化网格上稳态偏微分方程(PDE)代理模型的新型架构,采用了专家混合方法。该方法根据谱尺度对解进行划分,并使用离散霍奇-拉普拉斯算子作为拟合层来测量高频内容。然后,一个门控机制利用网格为重新组合专家输出生成每个顶点的权重。在对简化的雷诺平均纳维-斯托克斯(RANS)翼型数据集进行的基准测试中,该方法与现有方法相比,误差显著降低。
-
新方法通过可学习的导数阶数增强神经算子
研究人员开发了一种名为“Fractional is Better: Learnable Derivative Orders in Neural Operator Learning”的新方法,该方法增强了用于求解偏微分方程的神经算子学习。该方法将可学习的分数阶导数特征纳入神经算子,从而提高了近似界限并提供了自动谱正则化。研究表明,最优导数阶数通常小于完整的偏微分方程阶数,这表明存在一个可以通过从数据中学习该参数来管理的偏差-方差权衡。