SciML
PulseAugur coverage of SciML — every cluster mentioning SciML across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新研究概述了SGD预处理器的设计，以实现稳定性和降噪
一篇新发表在arXiv上的研究论文详细介绍了随机梯度下降（SGD）预处理器的设计标准，重点关注局部条件、噪声底和盆地稳定性。该论文推导了收敛速率和噪声底受对称正定矩阵M影响的界限。对于非凸目标，它建立了依赖于预处理器的盆地稳定性保证，这对于科学机器学习（SciML）应用尤其重要，因为在这些应用中物理保真度和数值稳定性至关重要。在诊断和SciML基准测试上的实验验证了所提出的通过选择M来改善局部条件并降低噪声的设计原则。
-
撤回的研究论文详述了用于波传播的物理信息神经网络
一项已被撤回的研究论文探讨了使用物理信息神经网络（PINNs）来模拟耦合电弹性动力学波传播。该研究应用前馈架构解决了一维压电系统，在位移方面实现了2.34%的相对L2误差，在电势方面实现了4.87%的相对L2误差。虽然证明了PINNs作为复杂偏微分方程的无网格求解器的有效性，但该研究也指出了误差累积和系统刚度方面的挑战。
-
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。
-
图神经网络加速磁体和断裂力学的物理模拟
研究人员开发了新颖的图神经网络（GNN）框架来加速复杂的物理模拟。一种方法SuperCond-GNN，使用GNN作为代理模型来预测超导磁体中的电压分布，实现了4.3%的平均绝对百分比误差，并为设计和监控提供了可扩展的推理能力。另一种混合GNN-FEM框架通过将GNN代理集成到传统的有限元方法中来处理相场断裂模拟，在保持准确性和跨不同问题设置的泛化能力的同时，显著降低了计算成本。
-
新研究揭示SciML模型中的三状态结构
研究人员发现，无论使用何种具体的模型、约束执行或优化器，科学机器学习（SciML）模型都存在一个一致的三状态结构。优化效果在这些状态之间存在显著差异，表明没有一种单一方法是普遍最优的。该研究还揭示了SciML模型中细粒度的失效模式，这些模式会使标准的损失景观解释复杂化，并提供了一个理解和改进SciML鲁棒性的新框架。
-
AI模拟器有望提高大气模型精度
研究人员探索了使用科学机器学习（SciML）模拟器来增强全球大气模型中气溶胶过程的表示。他们的研究重点是在 Energy Exascale Earth System Model version 2 (E3SMv2) 中模拟气溶胶微物理，并考察了网络架构复杂性和变量归一化等因素。研究结果表明，优化收敛性、缩放策略和网络复杂性对模拟精度有显著影响，在正确缩放和收敛的情况下，更简单的架构也能取得有希望的结果。