wave equation
PulseAugur coverage of wave equation — every cluster mentioning wave equation across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的流映射学习框架模拟未知非局部偏微分方程系统
研究人员开发了一个名为流映射学习（FML）的新颖框架，可以直接从解数据中模拟未知的非局部偏微分方程（PDE）。该方法绕过了显式学习或近似复杂非局部算符的需要。相反，FML学习有限时间演化算符，即使在有限的观测窗口下也能提供准确且稳定的长期预测。该方法在预测分数阶扩散和波动方程的动力学方面取得了成功。
-
新AI框架增强偏微分方程解嵌入和建模
研究人员开发了一个新的物理信息框架，该框架使用多头物理信息神经网络来学习偏微分方程（PDE）解族的有限维嵌入。该方法有效地降低了解空间的维度，对于粘性Burgers方程、热方程和波动方程等方程，大部分方差由少数主成分捕获。此外，另一项研究引入了条件Clifford-可操纵CNN（C-CSCNNs），通过引入对伪欧几里得群的等变性来增强CNN在PDE建模中的表达能力，在流体动力学和相对论电动力学预测任务上表现出改进的性能。
-
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…
-
新的卷积方法改进了用于在表面上求解PDE的神经网络
研究人员识别并解决了用于在表面上求解偏微分方程的神经网络模型中的平滑性误差。传统的图神经网络可能存在过平滑问题，即节点特征变得过于相似，从而阻碍了扩散过程等任务的性能。虽然曾提出过酉图卷积来缓解此问题，但对于会随时间自然平滑的系统，它们可能过于严格。本文介绍了松弛酉卷积，它在保持平滑性与物理系统所需的自然平滑性之间取得了平衡，并将这些概念扩展到了网格上。实验表明，该新方法在求解热方程、波动方程和天气预报等任务上优于现有基线。