Pino
PulseAugur coverage of Pino — every cluster mentioning Pino across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究应对网络化系统中的因果推断挑战
两篇新研究论文探讨了在效应可能传播或相互干扰的复杂系统中的因果推断。第一篇论文《具有学习暴露映射的干扰因果推断》研究了学习到的传输过程中的不确定性如何影响溢出效应估计，并比较了机械模型与PINO和FNO等算子学习方法。第二篇论文《跨网络干扰下的可迁移因果效应估计》介绍了TranCE算法，该算法旨在估计一个网络人群中的因果效应并将其迁移到另一个网络，以解决协变量偏移和网络结构差异等挑战。
-
新的物理信息神经算子加速EUV光刻仿真
研究人员开发了一种物理信息神经算子（PINO）来改进极紫外（EUV）光刻中电磁散射问题的仿真。该PINO模型分解为横向和轴向分支，使用伪谱频率域（PSFD）方程进行训练，并从大约16,000个掩模设计中学习，无需依赖预先计算的解。所得的代理模型在未见过的掩模图案上散射强度方面实现了约$7 imes 10^{-3}$的平均绝对误差，并且与谱阻尼结合使用时，可以加速PSFD求解器以实现更精细的离散化。
-
研究人员使用神经算子加速黑洞吸积模拟
研究人员开发了神经算子代理来加速黑洞吸积的复杂天体物理模拟。这些模型，包括物理信息傅里叶神经算子（PINO）和OFormer风格的Transformer神经算子，使用来自黑洞吸积代码（BHAC）的数据进行训练。PINO模型成功学会了预测特殊相对论电阻磁流体动力学（MHD）场景中的等离子体团形成，这是仅数据基线模型无法实现的壮举。OFormer模型直接应用于自适应网格，用于模拟相对论性喷流，标志着神经算子在此背景下的新颖应用。
-
AI模型加速铁电NAND保持分析，速度比TCAD快10000倍以上
研究人员开发了一种新颖的物理信息神经网络算子（PINO）模型，以加速铁电垂直NAND（Fe-VNAND）闪存中的数据保持分析。该AI代理模型整合了基本物理原理，与传统的工艺计算机辅助设计（TCAD）模拟相比，实现了超过10,000倍的速度提升。PINO框架能够准确预测阈值电压漂移和保持行为，为优化器件设计和实现可靠性感知模拟提供了重大进展。