physics-informed learning
PulseAugur coverage of physics-informed learning — every cluster mentioning physics-informed learning across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新AI框架增强电池健康诊断与设计
研究人员开发了两种新方法来改进电池健康诊断和设计。第一种方法RoSIP-Batt使用物理引导的Transformer网络，从充电曲线联合预测健康状态（SOH）和剩余使用寿命（RUL），在基准数据集上显著降低了误差。第二种框架采用物理信息学习与虚拟传感，从标准的BMS测量中推断难以测量的电池设计参数，从而实现更明智的电池设计并减少预测误差。
-
人工智能革新纳米颗粒电子显微镜的科学推理
一篇新的综述文章详细介绍了人工智能（AI）在纳米颗粒电子显微镜领域的重大进展。文章强调，人工智能，特别是机器学习和深度学习技术，正在推动该领域从基本的图像解释发展到复杂的科学推理。文章涵盖了各种人工智能方法，包括Transformer架构和基础模型，以及它们在分析大型数据集以进行纳米颗粒表征、结构推理和动态分析中的应用。综述还讨论了显微镜数据与模拟和自主实验的整合，以加速材料发现。
-
新的 Koopman-PINN 框架增强了流行病建模与预测能力
研究人员开发了一个名为 Koopman-PINN 的新框架，该框架结合了 Koopman 算子理论与物理信息神经网络，以改进流行病建模。该方法将流行病状态映射到一个潜在空间，在该空间中动力学更具线性，从而提高了可解释性和长期预测的稳定性。该框架在合成猴痘数据以及来自德国、摩洛哥和瑞典的真实世界 SARS-CoV-2 数据上进行了测试，与现有方法相比，在参数估计和轨迹重建方面表现出更优越的性能。