Transolver
PulseAugur coverage of Transolver — every cluster mentioning Transolver across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的局部线性Transformer架构改进了偏微分方程学习
研究人员开发了一种名为局部线性Transformer（LLT）的新型神经算子架构，旨在改进偏微分方程（PDE）的学习。LLT通过结合线性全局注意力与局部空间混合并纳入坐标和几何信息，解决了标准Transformer的局限性。在各种偏微分方程问题和离散化中，这种方法显示出与现有方法相比具有竞争力或更低的误差率，同时还提供了显著的训练时间加速。
-
Transolver-3 将神经 PDE 求解器扩展到工业几何结构
研究人员开发了 Transolver-3，这是一个旨在克服将神经 PDE 求解器扩展到工业规模几何结构时内存限制的新框架。该系统引入了更快的切片/反切片操作和几何切片平铺等架构优化，以管理高分辨率网格。通过采用摊销训练策略和物理状态缓存，Transolver-3 可以处理超过 1.6 亿个单元的网格，在飞机和汽车设计等复杂工程模拟中显示出有效性。
-
新的GTF-Net模型以更高的精度预测车辆气动性能
研究人员开发了一种名为GTF-Net的新机器学习模型，用于预测车辆气动性能。该模型采用新颖的三平面特征表示，并结合显式的几何线索，以提高压力和壁面剪切应力预测的准确性。GTF-Net的性能优于Transolver和GINO等现有方法，证明了其整合谱混合与卷积精炼的混合方法的有效性。
-
新框架增强了具有时空感知的AI模拟
研究人员开发了一个新框架，以增强用于物理模拟的机器学习模型，特别解决了当前训练范式中的局限性。他们的方法引入了用于空间一致性的多节点预测、用于稳定性的使用交叉注意力的时域校正机制，以及用于捕捉旋转对称性的具有旋转位置嵌入的几何归纳偏置。这些创新在多种架构和数据集上进行了评估，显示出在准确性和稳定性方面的一致改进，尤其是在长期预测方面。
-
RETO Transformer算子通过RoPE增强汽车空气动力学预测
研究人员推出了一种新颖的旋转增强Transformer算子RETO，旨在改进汽车空气动力学预测。该新模型采用双阶段空间感知机制，利用正弦-余弦编码和旋转位置编码（RoPE）来更好地捕捉复杂的空间相关性。RETO在ShapeNet和DrivAerML基准测试中均显著优于现有基线模型，在表面压力和速度预测方面取得了显著的准确性提升。
-
新研究探讨防止人工智能模型灾难性遗忘的方法
2026年5月6日提交的多篇研究论文探索了跨各种人工智能领域的持续学习的新方法。其中一篇论文介绍了一种基于重放的物理信息神经网络算子策略，以减轻灾难性遗忘。另一篇论文提出使用软令牌的“技能新词”来扩展大型语言模型的能力，而无需更新权重。此外，关于大型语言模型系统的研究提出了一种受生物记忆启发的、用于持续知识更新的多时间尺度记忆动力学方法。