partial differential equations
PulseAugur coverage of partial differential equations — every cluster mentioning partial differential equations across labs, papers, and developer communities, ranked by signal.
- instance of alphaXiv 90%
- used by Neural Operators 90%
- instance of partial differential equation 90%
- instance of Allen–Cahn equation 90%
- used by alphaXiv 70%
- instance of Gotit.pub 70%
- instance of ScienceCast 70%
- uses Neural Operators 70%
- used by ScienceCast 70%
- used by Gotit.pub 70%
- instance of Neural Operators 70%
- instance of Influence Flower 70%
10 天有情绪数据
-
新的物理信息神经网络方法优化航天器轨迹
研究人员开发了一种新颖的方法,使用物理信息神经网络(PINNs)来优化航天器轨迹,将物理定律直接嵌入网络的训练目标中。该方法通过先验地精确强制执行边界条件,将问题转化为单目标优化,而不是依赖可能导致收敛问题的加权损失项。数值实验表明,与标准的PINN技术相比,这种新方法显著提高了收敛行为和解的准确性。
-
新的小波流匹配模型增强了物理仿真能力
研究人员推出了一种新颖的生成式仿真器——小波流匹配(Wavelet Flow Matching, WFM),用于模拟由偏微分方程控制的复杂物理系统。WFM直接在多尺度小波空间中运行,利用U-Net架构预测小波表示的传输速度。该方法旨在平衡生成模型的细节保持能力和确定性仿真器的稳定性,在流体动力学系统的谱相干性和长时程精度方面优于当前最先进的模型。
-
新型混合有限元-物理信息神经网络方法用于求解时变偏微分方程
研究人员开发了一种新颖的混合数值方法,将时间有限元方法与深度神经网络相结合,用于求解时变偏微分方程。该方法与传统的深度学习方法不同,它在时间方向上使用有限元基函数,并用神经网络定义与空间相关的系数。该方法旨在避免时间积分中的统计误差,并可以产生简化的空间基函数。还开发了一种自适应采样策略,采用显式密度模型来近似 PDE 残差分布,以处理高维度并提高训练效率,数值实验证明了这一点。
-
LLM 为物理问题生成神经网络权重和架构
研究人员开发了 Physics2Weight (PtW),一个利用大型语言模型 (LLM) 直接生成用于求解偏微分方程的神经网络架构和权重的创新框架。这种称为权重空间编程 (WSP) 的方法绕过了传统的基于梯度的优化。PtW 结合了物理约束提示和架构编辑,在处理多个方程时,其解的准确性优于物理信息神经网络,但在线性偏微分方程方面存在局限性。
-
新的优化技术增强了物理信息神经网络
研究人员开发了一种优化物理信息神经网络(PINNs)的新方法,该方法侧重于Hessian矩阵的一个小的、最优子空间。这种方法被称为主导对齐子空间(DAS),它根据梯度对齐而不是仅仅曲率大小来选择方向。在对各种微分方程进行测试时,DAS受限训练的性能与全空间训练相当,这表明收敛不需要所有的Hessian特征向量。此外,还为有限基PINNs引入了一种块稀疏高斯-牛顿优化技术,利用重叠域分解引起的块稀疏性来降低计算成本和内存需求。
-
Twindex 提供精确证明以证明模型参数不可区分
Twindex 是一款新工具,可提供精确、可复现的证明,以证明在给定数据下,模型的不同参数集是不可区分的。它会生成一个 JSON 证书和一个验证器,用于验证这些证明,并指示参数对是有效的孪生、无效还是不确定。此方法适用于常微分方程 (ODE)、偏微分方程 (PDE) 和物理信息神经网络 (PINN),但存在一些限制,包括假设噪声有界以及在参数数量超过几个时难以扩展。
-
新 WaSP 方法训练 AI 在无需昂贵数据的情况下求解偏微分方程
研究人员开发了 Wasserstein 数据合成管道 (WaSP),这是一种新颖的训练神经网络算子以求解偏微分方程 (PDE) 的方法,无需昂贵的输入-解对。WaSP 通过合成逐渐缓解分布偏移的训练数据,解决了现有无求解器方法的局限性。该方法在 Allen-Cahn 和 Kuramoto-Sivashinsky 方程等复杂 PDE 上取得了显著改进,解误差最多可降低 9.5 倍。
-
保形预测在时变偏微分方程方面面临挑战
研究人员发现,在应用于时变偏微分方程(PDE)时,保形预测方法存在一个关键问题。标准的保形预测提供无分布覆盖保证,但在动态系统中可能失效,导致覆盖不足。该研究证明,在函数空间中,相近时间点的分布可能是互为奇异的,这使得精确保证成为不可能。对于离散化设置,分布之间的总变异距离随着网格分辨率而饱和,这需要对空间离散化进行限制。该论文提出使用加权保形预测来实现有限样本覆盖保证,以覆盖更长的时间范围。
-
新型WAMRViT模型使用动态四叉树分词进行自适应偏微分方程预测
研究人员开发了WAMRViT,这是一种新颖的Vision Transformer架构,专为偏微分方程(PDE)的自适应网格预测而设计。该模型利用动态四叉树分词,使其能够在推理过程中根据激波和界面等特征的复杂性来调整空间分辨率。与具有固定令牌数量的方法不同,WAMRViT支持完全自适应拓扑,可实现稳定、长期的预测。多尺度变体通过以原生分辨率处理叶节点,进一步提高了准确性,在基准测试和复杂的AMR燃烧问题上取得了最先进的结果。
-
新的自监督方法为神经算子创建通用潜在空间
研究人员开发了一种新颖的神经算子自监督预训练方法,将表示学习与算子学习解耦。该方法借鉴了自然语言处理和计算机视觉领域的进展,使用在合成解析函数上训练的功能自编码器来创建函数的通用潜在空间。这个冻结的潜在空间可以跨各种任务重用,包括求解偏微分方程和处理自然图像,从而在准确性、吞吐量和内存效率方面取得显著改进。
-
大型语言模型和深度生成模型提升偏微分方程求解能力
研究人员开发了使用大型语言模型(LLMs)和深度生成模型求解复杂偏微分方程(PDEs)的新方法。一种名为OpInf-LLM的方法,利用LLMs进行算子推理,即使在未见过参数和边界条件下也能准确预测PDE实例,同时整合自然语言任务规范。另一种方法POD-CNF,结合了本征正交分解(Proper Orthogonal Decomposition)和条件归一化流(Conditional Normalizing Flows),为参数化随机偏微…
-
新理论保证物理信息神经网络的稳定性和一致性
一篇发表在arXiv上的研究论文,题为“通过强制算子分析为物理信息神经网络提供非渐近稳定性和一致性保证”,介绍了一个用于分析物理信息神经网络(PINNs)的稳定性和一致性的理论框架。该论文利用算子强制性和非渐近扰动理论,在各种范数下建立了收敛保证。它还为样本复杂度提供了确定性的稳定性界限和概率集中结果,将残差一致性与投影误差和扰动敏感性联系起来。作者通过在几种偏微分方程上的实证结果证实了他们的理论发现。
-
新型无网格模型提供高效的偏微分方程降阶方法
研究人员推出了一种新方法——无网格潜在动力学模型(Meshless Latent Dynamics Models, LDMs),用于降阶处理随时间变化的偏微分方程(PDEs)。与依赖固定空间离散化的传统方法不同,这种新型无网格LDMs利用了以潜在状态为条件的神经场,提供了更大的灵活性。该研究为这些模型建立了通用逼近定理,并分析了它们的稳定性,揭示了表达能力与稳定性之间的权衡。在各种方程上的实验表明,无网格LDMs在参数数量显著减少且保…
-
Jacobian 微调稳定神经偏微分方程模拟器
一篇新的研究论文探讨了 Jacobian 微调作为一种稳定混沌偏微分方程(PDE)神经模拟器的方法。该研究将误差来源分解,区分了物理误差增长和模型引起的误差放大。通过将模拟器误差与通过求解器 Jacobian 传播错误的对立情景进行比较,研究人员推导出了放大率。该放大率有助于确定 Jacobian 微调显著减少了误差,特别是对于放大率较高的模型,其收益与微调成本和放大率相关。
-
FC-PINO 提升物理信息神经网络算子的精度
研究人员推出 FC-PINO,一种用于物理信息神经网络算子 (PINOs) 的新型架构,旨在提高求解偏微分方程 (PDEs) 的精度。传统的 PINO 方法由于谱微分对周期性的假设,在处理非周期函数时存在困难,导致精度下降。FC-PINO 集成了傅里叶延拓技术,特别是 FC-Legendre 和 FC-Gram,将非周期信号转换为扩展域上的周期信号。这种方法能够进行更准确、更鲁棒的导数计算,在处理非周期和非光滑 PDEs 的挑战性基准…
-
新框架实现了RKHS中的范数最优模型降阶
研究人员开发了一个在Reproducing Kernel Hilbert Spaces (RKHSs)中进行模型降阶 (MOR) 的新框架。该框架将现有的范数最优降阶模型所需的插值条件进行了扩展,这些条件最初应用于Hardy-Hilbert空间中的有理函数。所提出的方法利用广义Malmquist-Takenaka函数在RKHSs中创建标准正交基,从而实现了对具有可微和不可微核的模型进行范数最优MOR。该方法已通过对支持向量机和深度Re…
-
基于 CFL 条件的图神经网络增强双曲输运建模
研究人员开发了一种新的图神经网络(GNN)方法,以更好地模拟双曲偏微分方程(PDE),这些方程通常涉及激波和不连续性等复杂现象。所提出的方法将 Courant-Friedrichs-Lewy (CFL) 条件作为 GNN 架构内的边缘局部信号进行集成。这种条件有助于 GNN 理解信息需要传播多远以及沿着哪个边缘传播,从而在不模糊解的情况下将最终步骤的误差减少 10.4-14.4%。当边缘表示已经区分了相互作用方向与空间尺度时,CFL …
-
新的生成模型框架使用非线性薛定谔系统
研究人员引入了一个新颖的生成模型框架,该框架利用前向-后向偏微分方程(PDE),并与平均场博弈论和非线性薛定谔系统建立联系。该框架称为 SBNL(Schrödinger Bridge NonLinear),提供了一种高效的数值方法用于实际实现。该方法设计为高度可并行化,可扩展到高维度,并能够处理各种非线性相互作用泛函,证明了其在 MNIST 和 FFHQ 等数据集上的图像合成任务中的实用性。
-
FoundPDE:用于PDE符号发现的新基础模型
研究人员开发了FoundPDE,一个用于从数据中符号发现偏微分方程(PDE)的生成式基础模型。这个基于Transformer的模型利用傅里叶和空间导数增强来提取轨迹信息和优化系数。FoundPDE在20个PDE家族的基准测试中表现强劲,实现了97.50%的类型识别率,并在系数偏移和噪声下保持鲁棒性。该模型还支持少样本微调以发现未见的复合方程,并能用有限的额外数据扩展到新的物理领域。
-
新的神经网络方法增强了求解偏微分方程的能力
研究人员开发了SFRBE--RaNN,一种新颖的自适应随机神经网络方法,旨在更有效地求解偏微分方程(PDE)。该两阶段方法根据区域指示质量重分布随机特征,并使用低维残差方法优化区域权重。该系统还通过筛选激活族构建非冗余增强,并通过非线性残差检查验证解,在各种PDE问题上证明了其有效性得到了提高。