Poisson's equation
PulseAugur coverage of Poisson's equation — every cluster mentioning Poisson's equation across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新的LiNO算子提升了多分辨率神经网络的能力
研究人员推出了一种新颖的多分辨率算子——提升神经网络算子（LiNO），旨在增强从数据中学习微分方程解的能力。LiNO利用小波提升方案跨不同尺度自适应地分解和处理信息，从而能够同时捕捉全局动力学和精细尺度结构。这种方法实现了尺度感知建模，并在包括流体动力学和反应扩散系统在内的各种挑战性基准测试中，展现出优于现有神经网络算子的性能。
-
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。
-
新的蒙特卡洛算法降低了随机梯度方法的方差
研究人员开发了用于随机梯度广义不可逆Langevin蒙特卡洛算法的新方差缩减技术。这些方法旨在提高广义不可逆Langevin动力学估计器的准确性，特别是在步长趋于零的情况下。在贝叶斯回归任务上的数值实验表明，与可逆方案相比，提出的不可逆方案持续降低了均方根误差。
-
高阶FNO改进了用于非线性偏微分方程的神经网络算子 · 跟踪2个来源
研究人员推出了高阶傅里叶神经网络算子（HO-FNO），这是对傅里叶神经网络算子（FNO）的改进，旨在更好地处理非线性偏微分方程（PDE）。HO-FNO包含显式的n重线性模式混合能力，能够捕捉非线性偏微分方程特有的模式之间的结构化交互。实验表明，HO-FNO在保持FNO效率的同时，性能优于其他谱神经网络算子，并在泊松方程等高度非线性场景中与最先进的Transformer和状态空间模型相媲美。
-
Hartley 神经算子提供傅里叶神经算子的实值替代方案
研究人员推出了一种名为 Hartley 神经算子 (HNO) 的新模型，旨在效仿傅里叶神经算子 (FNO) 的能力，但侧重于实值偏微分方程 (PDE) 解。与使用复数算术和快速傅里叶变换 (FFT) 的 FNO 不同，HNO 采用实离散 Hartley 变换，从而实现纯实值谱表示。这种区别使得 HNO 在处理具有实值格林函数的自伴椭圆算子（如泊松方程和双调和方程）时更高效、更准确。相反，FNO 更适合处理涉及相位的时变算子（如波动方程…
-
新的 TD(0) 算法通过单一步长实现鲁棒且快速的收敛
研究人员开发了一种新的线性 TD(0) 算法方法，该方法使用单一的步长调度，无需预先了解曲率参数。这种方法为算法的稳定性和收敛性提供了高概率保证。新的步长调度同时实现了鲁棒的、无曲率的速率和快速的、依赖曲率的速率，为马尔可夫环境中的学习提供了更有效、更稳定的解决方案。
-
新的神经网络架构应对复杂的科学计算问题 · 跟踪 8 个来源
研究人员正在开发新颖的神经网络架构来求解复杂的偏微分方程 (PDE) 和建模动力学系统。这包括用于离子传输的面向结构的随机神经网络 (SO-RaNN)，用于具有已知图结构的_时间序列_预测的_信息_神经_控制_微分方程 (INDEQS)，以及用于高保真 PDE 解的_启动器-迭代器_神经算子 (SINO)。此外，还提出了正交正则化 (OrthoReg) 来通过防止组件之间的重叠来改进混合符号-神经模型，而其他工作则探索了现代神经网络架…
-
SharpNet 增强MLP以表示具有可控不可微性的函数
研究人员开发了SharpNet，一种新颖的多层感知机（MLP）架构，旨在准确表示具有尖锐、不可微特征的函数。这是通过集成一个源自泊松方程的辅助特征函数来实现的，该函数可以精确控制不连续性的位置。SharpNet能够联合优化特征位置和网络参数，通过在不模糊尖锐边缘和角落的情况下保留它们，在2D问题解决和3D CAD重建等任务中表现优于现有方法。
-
新型路由器融合神经算子和经典方法求解偏微分方程
研究人员开发了一种提高求解偏微分方程（PDE）效率的新方法。该方法结合了经典的数值求解器和机器学习技术，克服了单一方法的局限性。提出的“贪婪偏微分方程路由器”旨在每一步选择最有效的求解器，模仿理想的贪婪策略，以降低计算成本并提高精度，尤其是在处理高频分量时。
-
新的 Pi-PINN 框架增强了物理信息神经网络的泛化能力
研究人员开发了一个名为 Pi-PINN 的新框架，以提高物理信息神经网络 (PINNs) 的泛化能力。该方法学习可迁移的物理信息表示，从而能够更快、更准确地求解已知和未知的偏微分方程 (PDEs)。与传统的 PINNs 和数据驱动模型相比，Pi-PINN 即使在训练数据很少的情况下，也能显著加快速度并减少误差。