partial differential equations
PulseAugur coverage of partial differential equations — every cluster mentioning partial differential equations across labs, papers, and developer communities, ranked by signal.
10 天有情绪数据
-
新AI框架增强偏微分方程解嵌入和建模
研究人员开发了一个新的物理信息框架，该框架使用多头物理信息神经网络来学习偏微分方程（PDE）解族的有限维嵌入。该方法有效地降低了解空间的维度，对于粘性Burgers方程、热方程和波动方程等方程，大部分方差由少数主成分捕获。此外，另一项研究引入了条件Clifford-可操纵CNN（C-CSCNNs），通过引入对伪欧几里得群的等变性来增强CNN在PDE建模中的表达能力，在流体动力学和相对论电动力学预测任务上表现出改进的性能。
-
新的自适应Adam优化器提高了深度学习求解偏微分方程的收敛性
一篇新论文介绍了一种学习率自适应的Adam优化器变体，旨在提高深度学习的收敛性，特别是在求解偏微分方程方面。所提出的方法根据目标函数的经验估计来调整学习率，旨在克服标准Adam和具有恒定学习率的SGD的局限性。数值模拟表明，与默认的Adam优化器相比，目标函数值减少得更快，并且理论分析为某些自适应SGD变体收敛到全局最小值的严格证明提供了依据。
-
新研究保证了 SGD 训练的物理信息神经网络的收敛性
研究人员已经证明，在求解泊松方程时，随机梯度下降（SGD）训练过参数化两层物理信息神经网络（PINNs）的线性收敛性。该分析考虑了随机优化方法引入的动态随机性，为 SGD 训练的 PINNs 提供了收敛保证，扩展了先前的工作。该分析的关键在于确保训练过程中特定 Gram 矩阵的正定性。
-
新的FS-PIELM框架解决了高频PDE的挑战
研究人员引入了一种名为频移物理信息极限学习机（FS-PIELM）的新颖框架，以应对求解高频解的偏微分方程（PDE）的挑战。该方法通过采用加性权重初始化机制来解决神经网络固有的频谱偏差，该机制会移动高斯权重分布的均值而不是对其进行缩放。与可能导致二次方增长的传统方法不同，这种方法确保了频率方差保持有界。在各种基准问题和方程类型上的实验表明，FS-PIELM的线性变体显著优于现有的物理信息极限学习机变体，在准确性方面实现了从一到近五数量级的改进。
-
新的神经网络方法解决复杂的偏微分方程 · 跟踪 3 个来源
研究人员开发了用于求解复杂域中偏微分方程 (PDE) 的新神经网络框架。一种方法，域分解随机神经网络，使用近场和远场区域的专用子网络来更准确地处理无界域。另一种方法，PCA--RaNN，将基于 PCA 的降维与随机特征相结合，以实现神经网络算子更快的训练，在保持精度的同时实现显著加速，并实现不确定性量化。
-
新的KL-DNN框架加速了大规模科学应用中的偏微分方程建模
研究人员开发了一个新的算子学习框架，即Karhunen-Loeve深度神经网络（KL-DNN），旨在解决科学和工程领域中常见的大规模偏微分方程（PDE）问题。该框架有效地融合了DeepONet和Karhunen-Loeve展开，能够对地质碳封存等复杂模拟实现更高效的训练和预测。与DeepONet相比，KL-DNN模型在压力和CO2饱和度预测方面取得了显著的改进，错误率更低，同时在训练和推理时间方面提供了显著的加速。
-
新的PIDDM方法增强了用于物理约束生成的扩散模型
研究人员开发了一种名为物理信息蒸馏扩散模型（PIDDM）的新方法，以改进将偏微分方程（PDE）约束集成到生成扩散模型中。传统方法难以直接在干净数据上强制执行这些约束，导致准确性和约束满足度之间的权衡。PIDDM通过在事后蒸馏阶段应用PDE约束来解决这个问题，从而实现具有更好PDE满足度的一步生成，并支持正向和反向问题求解。实验表明，PIDDM在计算开销较低的情况下，优于PIDM、DiffusionPDE和ECI-sampling等现有方法。
-
新的迁移学习方法增强了锂离子电池状态估算的AI能力
研究人员开发了一个用于物理信息神经网络（PINNs）的迁移学习框架，以改进锂离子电池的状态估算。该方法通过预训练一个通用模型，然后针对特定电池进行微调，解决了为不同电池化学成分从头开始训练PINNs的挑战。使用PyBaMM进行的验证表明，该方法可以准确预测电压，保持电化学一致性，并显著缩短训练时间。
-
新的Hartley神经算子为求解偏微分方程提供了一种实值替代方案，可替代FNO
研究人员推出了一种名为Hartley神经算子（HNO）的实值替代方案，用于求解偏微分方程，以替代傅里叶神经算子（FNO）。HNO利用离散Hartley变换，为每个谱模式学习一个单一的实数乘数，从而避免了FNO的复数傅里叶域方法中存在的复数运算和潜在的冗余。研究表明，HNO在具有实对称格林函数的自伴椭圆算子上表现更好，而FNO则更适用于涉及相位的时间相关算子，例如波动方程或对流方程中的算子。
-
新框架改进了缓慢变化序列的顺序函数逼近
研究人员开发了一个新的框架，用于顺序逼近缓慢变化序列中的函数，其中连续元素之间的差异很小。该方法将现有方法推广到各种线性和非线性函数，为矩阵幂、谱密度、蒙特卡洛积分和偏微分方程提供了改进的估计结果。一种新颖的算法根据序列变化动态调整估计预算，提供了比依赖固定预算的先前方法更严格的界限。该框架还引入了对变化的即时估计，使顺序逼近工具包更具适应性和效率。
-
新的PIBLS框架提供更快、更准确的PDE解决方案
研究人员推出了一种新颖的框架——物理信息广义学习系统（PIBLS），旨在比现有方法更有效地求解偏微分方程（PDE）。与计算成本高昂的传统数值求解器或收敛缓慢的物理信息神经网络（PINNs）不同，PIBLS将PDE求解重新构建为直接的最小二乘优化。这种无需反向传播的方法已被证明比传统的PINNs快一到三个数量级，同时达到更高的精度，为实时科学模拟提供了实用的替代方案。
-
新的两阶段演化策略优化 PINNs 以提高准确性
研究人员开发了一种新颖的物理信息神经网络 (PINNs) 两阶段超参数优化策略，以解决其对超参数的敏感性和不稳定的收敛性问题。该方法在第一阶段利用演化算法通过低保真度训练快速筛选候选配置。然后，在第二阶段使用标准的基于梯度的优化器对有希望的候选者进行优化。该方法在平流、克莱因-戈登和亥姆霍兹方程上进行了评估，与标准训练相比，在计算约束下证明了更高的准确性和鲁棒性。
-
新的ModSync框架提高了物理信息神经网络的训练稳定性
研究人员开发了一个名为ModSync的新训练框架，以解决物理信息神经网络（PINNs）的脆弱性问题。PINNs用于求解偏微分方程（PDEs），随着模型容量的增加可能会变得不稳定，导致功能模块化，阻碍收敛。ModSync通过惩罚任务独占连接将结构优化整合到冲突规避训练中，从而保持目标之间的交互。实验表明，ModSync可以防止容量驱动的故障，并在PDE基准测试中达到最先进的精度。
-
新型神经网络以更高的精度和速度加速偏微分方程求解 · 跟踪 4 个来源
研究人员正在开发先进的神经网络架构来改进偏微分方程 (PDE) 的求解。一种方法是自适应硬-软物理信息神经网络 (HSPINN)，它能精确强制执行边界条件，并使用自适应损失加权来平衡不同约束，从而比传统的 PINN 具有更快的收敛速度和更高的精度。另一种方法是时间诱导神经网络 (TINNs)，它将网络权重参数化为时间的函数，使空间表示能够演变，并显著提高了误差性能和收敛速度。此外，一种基于快速直接求解器的神经网络利用分层矩阵来学习 P…
-
新的MODE架构增强了物理信息神经网络
研究人员推出了一种新颖的微架构，用于适应物理信息神经网络（PINNs）的流形-正交双谱外插（MODE）。MODE通过分解物理演化为不同的机制，解决了现有方法（如基于SVD的微调和传统的参数高效微调（PEFT））的局限性。这种方法能够实现跨模态能量转移，激活高频光谱分量，并分离空间平移动力学，以最小的参数复杂度实现了强大的分布外泛化能力。
-
ANCHOR框架增强了神经算子在偏微分方程模拟中的准确性
研究人员开发了ANCHOR，一个将神经算子与经典数值求解器相结合的新型框架，以提高时间相关偏微分方程（PDE）模拟的准确性和稳定性。这种混合方法使用物理信息误差估计器来监控和纠正长期预测中累积的误差，这是独立神经算子常见的问题。在六个典型PDE上的评估表明，ANCHOR能够限制误差增长并提高鲁棒性，同时与纯数值方法相比保持了计算效率。
-
新的SINDy方法从嘈杂、多保真度数据中发现动力学系统
研究人员开发了一种名为Multi-Fidelity SINDy的新方法，用于从具有不同噪声和保真度级别的数据中发现非线性动力学系统。该方法通过结合Ensemble SINDy和Weak SINDy以及源自广义最小二乘法的加权回归，扩展了现有的非线性动力学系统稀疏识别（SINDy）框架。该方法已在包括常微分方程和偏微分方程在内的基准系统上得到验证，并证明了其在预测双摆系统动力学方面的有效性。研究结果表明，这种多保真度集成可以通过减轻异方…
-
伴随法与PINNs：PDE逆问题性能比较
一篇新论文比较了伴随优化方法和物理信息神经网络（PINNs）在求解偏微分方程控制的逆问题中的应用。研究强调，方法的选择取决于未知量的表示方式，基于网格的场更适合伴随法，而神经网络表示则更适合PINNs。对于时变问题，PINNs能以较低的成本提供令人满意的重构，并且PINN预热启动的伴随策略可以更有效地达到伴随法级别的精度。
-
新的FNO架构增强了高频学习和物理精度
研究人员开发了傅里叶神经算子（FNO）的新框架，以提高其学习高频信息和物理性质的能力。SirenFNO利用正弦表示网络学习全网格频谱，无需频率截断，以更少的参数优于标准FNO。GENERIC-FNO将非平衡热力学的能量守恒和熵产生直接嵌入函数空间，展示了精确的结构保证和在各种PDE上的竞争性性能。此外，傅里叶多组分和多层神经网络（FMMNNs）将正弦型激活与多组分结构相结合，实现了指数级的表达能力和有利于高频目标的优化格局。
-
MeshTok框架提高了Transformer求解PDE的效率
研究人员推出了一种新颖的令牌化框架MeshTok，旨在提高用于求解偏微分方程（PDE）的Transformer的效率和准确性。与将计算域均匀划分的传统方法不同，MeshTok采用了一种受自适应网格细化启发的自适应方法。该技术选择性地细化具有复杂特征的区域，创建了一组异构令牌，这些令牌在一个Transformer序列中同时捕获全局上下文和局部细节。实验表明，与均匀网格基线相比，MeshTok提供了更好的效率-准确性权衡，表明其作为神经P…