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%
- instance of partial differential equation 90%
- instance of Allen–Cahn equation 90%
- used by Neural Operators 70%
- instance of Neural Operators 70%
- used by ScienceCast 70%
- used by Gotit.pub 70%
- uses Neural Operators 70%
- used by alphaXiv 70%
- instance of Influence Flower 70%
- instance of Fourier Neural Operators 70%
- used by multilayer perceptron 70%
11 天有情绪数据
-
CAFE+FNO 增强傅里叶神经算子以求解 PDE
研究人员推出了一种新颖的傅里叶神经算子 (FNO) 核生成方法 CAFE+FNO，该方法可增强偏微分方程 (PDE) 中高频变化的学习能力。该方法通过并行仿射分支和哈达玛积组合傅里叶-切比雪夫特征，集成了内容感知频率编码+ (CAFE+)。然后，结果表示通过核 MLP 映射到复数通道混合矩阵，对于固定的架构，可训练参数的数量与模式的数量无关。CAFE+FNO 已在五个 PDE 基准测试中与现有的 FNO 变体进行了评估，结果和实验配置已公开。
-
新的FOSLS-deRhaNN神经网络架构解决了复杂的偏微分方程
研究人员开发了FOSLS-deRhaNN，这是一种新颖的神经网络架构，旨在解决H(div)和H(curl)等特定数学空间内的偏微分方程（PDE）。该方法构建了原生于这些图空间的神经逼近类，避免了基于网格的仿真。FOSLS-deRhaNN方法利用弱形式的自然空间中的最小二乘函数，使其能够处理包括具有不连续系数的椭圆方程和具有激波的守恒律在内的复杂问题。
-
新工作流程简化了具有生物学启发的神经网络的超参数选择
研究人员开发了一种诊断工作流程，以协助选择具有生物学启发的神经网络（BINNs）的超参数。BINNs 是一种用于学习偏微分方程中项的物理信息神经网络。该工作流程解决了超参数选择的挑战，因为超参数选择通常是启发式的且记录不充分，阻碍了可复现性。所提出的方法通过询问增加网络容量是否有益、进一步训练是否会降低验证损失以及学习到的项是否会随着容量和训练的增加而稳定来指导用户。该工作流程应用于合成系统，证明验证损失与学习到的项的真实误差相关，为…
-
新型对称自编码器为深度学习提供理论基础
研究人员引入了一类新的深度学习架构，称为对称自编码器，与现有方法相比，它提供了更强大的理论基础。这项工作正式区分了不同类型的对称架构，并分析了它们的数学优势和局限性。一个关键发现是，具有正交归一化约束的对称自编码器的重建误差可以通过Eckart-Young-Schmidt定理来理解，从而基于奇异值分解开发了EYS初始化策略。
-
Kolmogorov-Arnold网络在扩展性、偏微分方程和可解释性方面展现出潜力 · 跟踪3个来源
研究人员正在探索Kolmogorov-Arnold网络（KANs）的能力和理论基础，这是一种替代传统多层感知器（MLPs）的方法。一项研究调查了KANs的神经扩展定律以及它们的可学习激活函数如何随着数据集的扩展而演变，发现图像分类和科学回归任务具有不同的扩展行为。另一篇论文将KANs应用于求解自由边界偏微分方程，证明了与物理信息神经网络相比，它们在准确解析复杂区域和界面方面的有效性。第三篇论文通过检查Fisher Simplicity…
-
物理信息AI模型在复杂科学任务中显示出局限性
一篇新的arXiv论文，题为《残差不足以支撑：物理信息预训练对科学基础模型的局限性》，探讨了物理信息预训练对科学基础模型（SciFMs）的有效性。研究表明，虽然这种方法在理想化设置中提高了泛化能力并减少了数据需求，但在涉及不连续性或新颖边界条件等更复杂场景中，其益处会显著减弱。研究表明，要实现广泛可迁移的SciFMs，需要在模型架构中更复杂地整合物理知识，而不仅仅是基于残差的预训练。
-
新型聚类注意力神经算子求解参数化PDE
研究人员推出了一种新颖的求解参数化偏微分方程（PDE）的方法——聚类注意力神经算子（CANO）。与现有方法可能面临二次复杂度或通过压缩造成信息丢失不同，CANO利用交叉注意力机制，动态地对查询进行聚类，同时保持全分辨率的键和值。该方法旨在在流体和固体动力学、不规则几何形状以及长期时间预测等各种基准测试中取得最先进的性能，与先前模型相比，展现出更低的误差和强大的适应性。
-
新的AI模型通过可变的初始条件增强偏微分方程模拟
研究人员开发了新的方法来提高用于模拟由偏微分方程（PDE）控制的物理系统的代理模型的准确性和效率。一种方法，潜在动力学网络（LDNet），通过利用自解码和元学习等策略，直接从早期观测中推断初始潜在状态，从而增强了处理可变初始条件的能力。另一种方法，PDE-JEPA，专注于参数化PDE的预测表示学习，它包含一个几何投影仪，用于将潜在轨迹几何与物理场演化对齐，以及一个物理结构化的潜在预测器。这两种方法都旨在为复杂的物理现象提供更准确、更适…
-
新的DPG损失函数提高了神经网络求解偏微分方程的准确性
研究人员为旨在准确预测参数依赖性偏微分方程（PDE）解的机器学习模型开发了新的基于残差的损失函数。这些函数，特别是源自不连续Petrov-Galerkin（DPG）方法中的函数，比传统的最小二乘损失函数具有更稳健的性能，尤其是在处理高对比度扩散参数时。该研究提供了理论论证和数值结果，以支持这些DPG损失函数在增强深度神经网络降阶模型预测能力方面的有效性。
-
新的 GA-AMNO 方法通过自适应计算和交互改进了 PDE 神经算子
研究人员引入了规范感知自适应网格神经算子 (GA-AMNO)，这是一种用于改进偏微分方程 (PDE) 神经算子的新方法。该方法不仅解决了计算应在自适应网格的何处进行，还解决了信息如何在重新定位的节点之间交互的问题。GA-AMNO 通过使用物理信息自适应分配进行计算放置，以及使用几何条件化低秩规范传输进行聚合前的特征映射，来确保表示在不同离散化尺度上具有可比性。在五个 PDE 基准测试上的实验表明，其准确性有所提高，并证明了规范传输在处…
-
新方法改进物理信息神经网络的训练
研究人员开发了Norm-PCGrad，一种新颖的方法，用于在域分解中使用时改进物理信息神经网络（PINNs）和物理信息Kolmogorov-Arnold网络（PIKANs）的训练。该技术解决了在损失函数中组合残差项、边界项和接口项时出现的梯度冲突问题。Norm-PCGrad在各种2D和3D问题上展示了最先进的准确性，且计算开销极小。此外，该研究提出使用可分离架构（如SPINN）来增强域分解框架内的计算效率。
-
新研究解决PINN在求解PDE方面的局限性 · 跟踪4个来源
近期研究探讨了用于求解偏微分方程（PDE）的物理信息神经网络（PINN）的进展。一篇论文介绍了一种物理信息随机特征方法来解决PINN中的谱偏差问题，降低了计算复杂性并提供了理论误差界限。另一项研究发现了PINN中的一种导数保真度失效模式，证明了准确的函数逼近并不能保证准确的导数，特别是对于二阶导数。第三篇论文提出了一种架构冲突解决PINN（ACR-PINN），该方法结合了层级坐标适应和梯度冲突解决，显著提高了各种基准测试的准确性。最后…
-
新的PI-CP方法增强了神经算子的不确定性量化
研究人员开发了一种名为物理信息共形预测（PI-CP）的新方法，为用于逼近偏微分方程（PDE）解的神经算子提供可靠的不确定性估计。该框架将PDE残差嵌入预测区间，确保无分布覆盖保证，并根据物理条件满足程度调整区间紧密度。研究还发现了傅里叶神经算子在处理具有狄利克雷边界条件的PDE时存在根本性的近似障碍，可以通过使用坐标通道来缓解，从而显著降低误差。
-
神经网络从数据中推断偏微分方程中未知的函数
研究人员开发了一种新颖的方法，利用神经网络来推断偏微分方程（PDE）中未知的函数分量。该方法将神经网络直接嵌入PDE框架中，从而能够在训练过程中从数据中学习函数。通过非局部聚合-扩散方程的演示，该方法能够从稳态观测中成功推断出相互作用核和外部势，为增强PDE模型的预测能力提供了一种途径。
-
新框架使用神经网络简化偏微分方程中的边界条件
研究人员开发了一个框架，用于学习何时可以用简化的边界条件替换参数化偏微分方程中更复杂的边界条件。该方法使用成对解来训练一个神经网络，该网络估计域和边界误差，当预测误差在指定容差范围内时，允许应用更简单的条件。该方法在电化腐蚀问题以及其他非线性稳态和演化问题上进行了测试。
-
研究比较了用于人工智能的偏微分方程求解器的自动微分与基于离散化的约束
一篇新的研究论文系统地分析了用于求解偏微分方程（PDE）的物理信息神经网络（PINNs）中自动微分（AD）与基于离散化的约束之间的权衡。研究表明，随着问题非线性的增加，基于离散化的约束相比AD具有明显的精度优势。此外，研究表明，在处理复杂的非线性和边界条件时，图神经网络（GNNs）的表现优于多层感知机（MLPs），为工程应用中配置神经PDE求解器提供了实践指导。
-
增强了波动物理学的PINN提高了地震分析的准确性
研究人员对物理信息神经网络（PINNs）在求解弹性波动方程中的应用进行了关键评估，这是地震学中的一项关键任务。他们的研究结果表明，虽然PINNs为传统的无网格方法提供了一种有前途的替代方案，但它们也面临着诸如频谱偏差等挑战。研究表明，将波动物理学直接集成到神经网络架构中，例如使用自定义小波或平面波层，可以显著提高准确性，与标准的PINNs相比，误差减少了约一半。这种增强的架构也被证明对声波方程有效，并能够基于地震震源位置对PINNs进…
-
Latent-MoE架构增强了用于复杂偏微分方程的物理信息神经网络
研究人员开发了Latent-MoE，一种新颖的域感知专家混合（Mixture-of-Experts）架构，旨在提高物理信息神经网络（PINNs）在具有复杂、多状态物理学的偏微分方程（PDEs）上的性能。标准的PINNs在处理这类问题时会遇到困难，因为其神经切线核（NTK）存在问题，这可能导致训练过程中出现长距离耦合和梯度冲突。Latent-MoE通过在共享骨干网络中插入域感知的MoE模块来解决这个问题，从而实现局部学习，同时允许容量跨…
-
新的局部梯度神经网络算子为动力学系统提供可解释的AI
研究人员推出了一种新颖的深度学习方法——局部梯度神经网络算子（LGNO），用于预测场的时间演化和识别动力学系统中的源。与现有的通常需要大量数据和参数的神经网络算子不同，LGNO被设计为轻量级且可解释。它利用非线性梯度离散化原理，并采用多层感知器卷积层来学习局部核，从而提高了各种偏微分方程基准测试的透明度和效率。
-
用于贝叶斯逆问题的新的无限维连续归一化流模型
研究人员开发了一种新颖的无限维连续归一化流模型，用于解决涉及偏微分方程的逆问题的贝叶斯推断。该模型利用无限维空间中的神经常微分方程将参考测度转换为更复杂的测度，该测度编码了先验信息。该框架在理论上已建立在无限维希尔伯特空间中的适定性，并包括用于贝叶斯后验的训练方法和采样算法。该方法已成功应用于各种逆问题，包括逆散射和热传导。