Scientific Machine Learning
PulseAugur coverage of Scientific Machine Learning — every cluster mentioning Scientific Machine Learning across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的PA-SciML工作流程验证了代理SciML发现中的物理合规性
研究人员推出了一种名为物理审计的科学机器学习（PA-SciML）的新工作流程，旨在提高大型语言模型（LLM）代理发现的科学机器学习（SciML）模型的可靠性。这种优先验证的方法确保发现的代理模型不仅最小化误差指标，而且还遵守基本物理原理，如因果关系和边界条件。在计算固体力学示例中，PA-SciML成功识别了通过物理检查的模型，即使标准的仅误差基线在关键因果关系测试中失败。
-
新的零阶深度学习方法解决高维偏微分方程
研究人员开发了一种新颖的零阶深度学习方法，用于解决具有未知系数的高维偏微分方程（PDE），这是科学机器学习和连续时间强化学习中的常见挑战。这种新方法通过仅使用函数评估，绕过了高维中重复自动微分相关的instability和导数误差。该方法采用扰动的蒙特卡洛轨迹来估计导数，从而实现完全无模型的方法，为梯度和Hessian网络生成目标。统计分析证明了该方法的有效性，在加权Sobolev空间中提供了误差界限并表征了样本复杂度，数值实验显示在…
-
科学机器学习在流体动力学模拟方面取得进展
最近的一章回顾了科学机器学习（SciML）在模拟复杂流体流动和输运现象方面的进展。它强调了动态模式分解和物理信息神经网络（PINNs）等方法，这些方法为计算成本高昂的系统提供了高效的代理模型。该章还介绍了使用 PINNs 进行浊流模拟以及使用变分自编码器进行热流模拟的新贡献，展示了 SciML 在快速、准确近似和降低计算成本方面的潜力。
-
科学机器学习在流体动力学建模方面取得进展 · 跟踪到2个来源
本章探讨了科学机器学习（SciML）在模拟复杂流体流动和输运现象方面的进展。它详细介绍了奇异值分解、动态模式分解、物理信息神经网络（PINNs）和 $\beta$-变分自编码器（$\beta$-VAEs）等方法，以创建高效的代理模型。该工作将这些技术与高性能计算策略相结合，包括自适应网格细化/粗化（AMR/C），以降低浊流和热对流等应用的计算成本。
-
论文将神经算子与微分方程联系起来以实现更好的泛化
一篇新论文探讨了传统微分方程模型与现代数据驱动方法（如神经算子）之间的关系。它认为许多建模策略共享一个通用结构，主要区别在于它们假设的输入-输出映射。研究表明，只有某些模型能够进行真正的机制发现和随后的泛化，从而为它们的适当应用提供了见解。
-
新的“工具化数据”概念推动科学机器学习发展
研究人员引入了一个名为“工具化数据”的新概念，用于科学机器学习，旨在克服当前数据类型的局限性。这种方法将机械模型、其不确定性和反事实直接嵌入到每个数据点中。预计这种方法将改进各个科学领域的验证、审计和代理训练，并可能影响未来用于科学推理的基础模型。
-
新方法通过自适应算子变换提升偏微分方程预训练
研究人员开发了AOT-POT，一种在多样化偏微分方程（PDE）数据集上预训练神经算子的新颖方法。该方法将复杂的解算子转换为更简单、对齐的形式，单个神经网络可以有效地对其进行建模。AOT-POT在12个PDE基准测试中取得了最先进的性能，参数增加极少，并显著降低了域内和域外PDE的误差。