PDEBench
PulseAugur coverage of PDEBench — every cluster mentioning PDEBench across labs, papers, and developer communities, ranked by signal.
-
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。