partial differential equations
PulseAugur coverage of partial differential equations — every cluster mentioning partial differential equations across labs, papers, and developer communities, ranked by signal.
- uses Neural Operators 90%
- instance of alphaXiv 90%
- used by Neural Operators 90%
- instance of partial differential equation 90%
- used by alphaXiv 70%
- used by Gotit.pub 70%
- used by ScienceCast 70%
- used by Influence Flower 70%
- used by CatalyzeX 70%
- used by Fourier Neural Operators 70%
- instance of Fourier Neural Operators 70%
- instance of Gotit.pub 70%
14 天有情绪数据
-
新课程讲义详述用于机器学习和偏微分方程的高级数值线性代数
这篇题为《高级线性代数及其应用 - 第一部分》的论文，介绍了一门面向硕士生的数值线性代数课程，重点关注其在传统偏微分方程之外日益增长的重要性。文章强调了机器学习、数据同化和网络分析中的大规模问题如何共享共同的数值线性代数挑战。讲义涵盖了范数、分解、迭代方法（共轭梯度法、Lanczos法、Arnoldi法、GMRES法）和预处理技术等基本主题，并全部通过Python代码进行说明。
-
新方法可从复杂系统数据中鲁棒地发现控制方程
研究人员开发了一种名为 PDE-SINDy 的方法，用于从时空数据中发现控制偏微分方程 (PDE)。他们的研究表明，该发现过程的准确性高度依赖于可用数据的数量，更多的数据可以抑制虚假项并更鲁棒地识别出正确的方程。然而，增加用于发现的函数库的大小会降低效率。对于 Glauber 自旋翻转伊辛模型，该方法揭示了一个方程层级，并且严格的选择阈值成功恢复了一个类似 Model-A 的动力学方程，该方程能够准确地捕捉相分离和畴生长动力学。
-
新的神经网络算子方法推动函数-函数回归发展
研究人员提出了一种新颖的神经网络算子方法用于函数-函数回归，超越了传统的线性模型。这种方法被称为可分离神经网络算子，使用依赖于输入的系数和依赖于输出的基函数来表示回归算子。该方法在温和条件下表现出一致性，并已应用于BGC Argo数据进行海洋学研究。
-
神经算子无法可靠地为PDE的牛顿求解器进行热启动
研究人员发现，在使用神经算子为非线性偏微分方程（PDE）的牛顿求解器进行热启动时存在一个关键缺陷。虽然神经算子可以降低测试误差，但它们仍可能产生离散雅可比矩阵不定的初始状态，导致求解器失败。这个问题之所以出现，是因为算子可能会将物理属性（例如超弹性问题中的体积变化）分散到远离其正确值的位置。为了纠正这种谱问题，研究人员提出了一种新颖的微调阶段，该阶段通过对算子施加离散能量惩罚，而无需额外的求解数据，从而在先前方法失败的加载范围内实现了…
-
新的MiNO方法学习偏微分方程传播子，以改进科学机器学习
研究人员开发了MiNO，一种通过关注传播子而非解场或映射来学习偏微分方程（PDE）的新方法。该方法利用eikonal方程来处理相位，利用输运方程来处理幅度，通过振荡积分来重构解。与传统的物理信息神经网络和监督傅里叶神经网络算子相比，MiNO在涉及不连续对流的基准测试中表现出更高的准确性和效率，并且无需重新训练即可泛化到未见的初始条件。
-
两阶段PINN方法增强了PDE反问题求解能力 · 跟踪2个来源
研究人员开发了一种新颖的两阶段学习框架，使用物理信息神经网络（PINNs）来更稳健地求解偏微分方程（PDEs）的反问题。第一阶段采用双网络方法来近似PDE解和不连续系数的连续代理，并结合自适应加权以改进在不连续性附近的训练。第二阶段将系数视为分段常数函数来优化反问题，证明了对具有跳跃不连续性的PDE进行准确参数估计。
-
新的傅里叶特征网络在求解PDE方面显示出更高的准确性
研究人员推出了一种新颖的求解偏微分方程的方法——傅里叶特征网络（FENs）。这些网络基于单隐藏层神经网络，通过引入余弦和正弦等傅里叶特征来生成基函数。与极限学习机（ELMs）类似，FENs将目标函数近似为这些基的线性组合，但它们在无需对输入变量进行仿射变换的情况下即可实现高精度。数值实验表明，FENs在准确性方面始终优于ELMs。
-
新的wPINN框架解决了流形上的双曲守恒律问题
研究人员引入了一个新颖的弱物理信息神经网络（wPINN）框架，旨在解决黎曼流形上的复杂双曲守恒律问题。这种新方法克服了现有PINN方法在理论上的不足，特别是在流形上的理论空白以及在处理双曲方程中常见的低正则解方面的困难。wPINN框架建立了局部L1稳定性估计，能够进行严格的收敛性分析，并为时变熵解提供近似保证。数值实验证明了该框架在流形几何上近似解的准确性。
-
新框架使用Koopman算子模拟非线性延迟动力学
研究人员开发了一个新颖的框架，用于近似非线性延迟微分方程（DDEs）的Koopman算子。该方法通过采用历史离散化和基于核的重构算子，弥合了无限维DDE动力学与有限维Koopman学习之间的差距。该方法利用基于核的扩展动态模式分解（kEDMD），为预测提供确定性误差界限，将误差分解为离散化、核插值和回归的贡献。数值实验证实了该框架可靠预测非线性延迟系统的能力，预示着其在未来控制系统中的潜在应用。
-
新的 DEFT 方法提高了复杂物理系统建模的效率
研究人员推出了一种新颖的数据高效采样方法 DEFT，用于对偏微分方程控制的时空动力学系统进行建模。这种频域方法识别主导傅里叶模式，并通过改变模式的幅度和相位来生成物理上一致的训练数据。DEFT 已证明在数据需求方面有显著降低，可减少高达 40% 的数据量，同时预测精度损失极小，并在将学习到的特征迁移到新数据集和新化学性质方面显示出有希望的结果。
-
ProPINN架构解决了物理信息神经网络中的传播失败问题
研究人员推出了一种新颖的架构ProPINN，旨在解决物理信息神经网络（PINNs）中的传播失败问题。当来自初始或边界条件的监督信号未能有效到达被建模区域的内部时，就会发生这些失败。ProPINN旨在通过统一区域点的梯度来克服这一问题，为识别和解决这些问题提供更精确的定量标准。据报道，新架构在性能上显著优于先进的基于Transformer的模型。
-
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。
-
新的PINN训练方法解决了高频和参数化PDE问题 · 跟踪4个来源
研究人员开发了新的方法来改进物理信息神经网络（PINN）的训练，解决了频谱偏差和表示-系数耦合等挑战。一种方法IFeF-PINN使用傅里叶增强特征来丰富网络的潜在空间，从而能够更准确地逼近高频偏微分方程（PDE）。另一种方法FALM-PINN通过使用傅里叶增强基表示和Levenberg-Marquardt算法进行系数拟合，将表示学习与系数拟合解耦，在具有挑战性的PDE上显示出显著的误差降低。此外，还提出了一种持续学习方法（CL-PIN…
-
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。
-
Barron 空间赋能神经网络逼近高维偏微分方程
研究人员开发了一种使用 Barron 空间逼近高维二阶椭圆偏微分方程（PDE）解的方法。该方法表明，这类解可以通过两层神经网络逼近，其宽度和参数受限于依赖于维度和所需精度对数的项。这一发现确定了一类可以由浅层神经网络解决的椭圆偏微分方程，而不会遭受维度灾难。
-
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。
-
新的特征交互模型增强了物理信息神经网络
研究人员开发了新的方法来增强物理信息神经网络（PINNs）和神经算子的表达能力。通过融入受因子分解机启发的特征交互模块，这些模型能够更好地捕捉参数化偏微分方程（PDEs）中变量间的复杂关系。提出的FM-PINN和FM-Operator模型在处理非线性守恒律以及具有尖锐梯度或不连续性的问题方面表现出特别的有效性，从而在挑战性方程上实现了显著的精度提升。
-
新的HERO训练方法提高了神经算子长时域的准确性
研究人员引入了HERO（History-Enriched Rollout Training，历史增强回滚训练），一种旨在提高自回归神经算子长时域准确性的新方法。该技术解决了模型递归使用自身预测时误差累积的问题，这是模拟时间相关偏微分方程时的一个常见问题。HERO通过整合源自模型优化历史的相对监督来增强标准训练，使用一组排序的候选回滚来建立更具信息量的比较基线。在九个PDE基准上的实验表明，HERO在不增加推理时间的情况下，始终提高了长…
-
AI代理发现物理映射和神经网络新算法 · 跟踪2个来源
两篇新研究论文探讨了在科学发现中使用AI代理，特别是在物理学和计算数学领域。第一篇论文介绍了StatMechBench-v0，这是一个旨在测试AI代理在物理问题中识别统计力学映射能力的基准，揭示了当前LLM在数值一致性之外的推理局限性。第二篇论文提出了EvoPINN，一个使用LLM为物理信息神经网络（PINNs）发现可执行算法的代理框架，展示了显著的误差减少和一种称为SLRC-PINN的新型架构的发明。
-
深度伽辽金法和物理信息神经网络算法已被证明可收敛于偏微分方程解
研究人员已从数学上证明，深度伽辽金法（DGM）和物理信息神经网络（PINNs）能够可靠地收敛到一类特定的半线性偏微分方程（PDEs）的正确解。这些在科学机器学习中广泛使用的方法通过最小化PDE残差来训练神经网络以逼近PDE解。尽管此前由于目标函数的非凸性存在关于收敛到局部极小的理论担忧，但这项新工作确立了对于这些类型的方程，梯度下降确实会导向准确的PDE解。