PDEBench
PulseAugur coverage of PDEBench — every cluster mentioning PDEBench across labs, papers, and developer communities, ranked by signal.
-
研究:场重构误差未能预测PDE算子性能
一篇新的研究论文探讨了用于求解偏微分方程(PDE)的训练数据的有损压缩所面临的挑战。研究表明,诸如场重构误差等传统指标并不能准确预测在压缩数据上训练的算子的性能。相反,一种新颖的探测方法,通过测量压缩场在已训练算子中传递的扰动量,可以更一致地评估不同压缩编解码器和架构的数据集质量。
-
新的 PiERN 架构将精确计算与大型语言模型相结合
研究人员开发了一种名为 Physically-isolated Experts Routing Network (PiERN) 的新架构,旨在将高精度数值计算与大型语言模型集成。PiERN 能够在单一的思维链中迭代地交替进行计算和推理,从而提高复杂任务的准确性和效率。在 PDEBench 和电池管理任务等基准测试上的评估表明,PiERN 在准确性、延迟、令牌使用和能耗方面优于直接微调的大型语言模型,同时在 MMLU 和 GLUE 等标…
-
JEPA-Anything 框架统一了 7 个领域的 عالم 模型创建
研究人员推出了一种新颖的领域无关框架 JEPA-Anything,用于构建 عالم 模型。该框架通过引入正交预测因子分解 (OPF) 来扩展联合嵌入预测架构 (JEPA),OPF 将单个预测目标分解为多个正交因子,每个因子都有自己的专用预测器。这种方法在包括视觉、生物学、临床轨迹、控制、分子动力学、物理场和天气在内的七个不同领域都展示了改进的性能,在许多动力学任务上优于标准的 JEPA 基线。
-
函数空间Transformer自适应表示以应对科学和视觉任务
研究人员推出函数空间Transformer (FST),一个旨在从离散样本表示的函数中学习的新颖框架。与使用固定网格的传统方法不同,FST采用一种空间自适应的连续潜在表示,其锚点位置根据输入观测值进行预测和优化。这种自适应方法使表示能够更好地匹配输入的空间组织,从而提高性能。FST在PDE预测任务上展示了优于Perceiver IO的结果,并在ImageNet-1K上以更少的参数实现了比Vision Transformer更高的准确率。
-
扩散语言模型通过新的效率和安全技术取得进展 · 跟踪 10 个来源
近期研究探讨了扩散语言模型(DLM)的进展,重点在于提高其效率、安全性和能力。论文介绍了 Q-Skew 等方法,用于隐私风险评估和个人身份信息(PII)提取;以及通过识别早期去噪步骤中的拒绝信号来增强安全对齐的 Refusal-Aware Early Commitment (RAEC)。CARVE 和 Survival-Guided Length Decoding 等技术旨在优化生成长度和降低计算成本,而 Affix Cache 和 …
-
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。
-
算子增强框架创建高效的神经偏微分方程代理模型
研究人员开发了一个名为算子增强(Operator Boosting)的新框架,用于创建更高效的神经网络代理模型来求解偏微分方程(PDE)。该方法分阶段训练残差场上的小型神经网络算子,逐步优化预测结果。该方法在各种 PDE 基准测试(包括 Navier-Stokes 和 Darcy 流)上,参数数量显著减少(通常在 72-95% 之间),同时实现了相当或更高的准确性。
-
后验优先神经偏微分方程模拟通过单一观测值提高精度
研究人员推出了一种名为后验优先神经偏微分方程模拟的新方法,用于从单一观测场推断隐藏的问题状态。该方法在进行预测之前首先估计问题状态的后验分布,解决了传统场到未来预测器中的信息丢失问题。在PDEBench任务上的实验表明,与整体预测方法相比,这种后验优先方法显著降低了滚动误差。
-
FlowForge引擎通过分阶段本地滚动增强CFD流场预测能力
研究人员开发了FlowForge,一个用于利用深度学习预测流场的新型引擎。该系统采用分阶段本地滚动方法,按顺序更新空间站点,而不是进行一次全局传递。FlowForge旨在通过以有限的局部上下文为条件进行更新,来提高对噪声或不完整数据的鲁棒性并减少误差放大。在PDEBench和CFDBench等基准测试上的评估表明,FlowForge在提高稳定性和降低延迟的同时,达到了或超过了基线精度。