Zhangyong Liang
PulseAugur coverage of Zhangyong Liang — every cluster mentioning Zhangyong Liang across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的SDZE框架可在单个GPU上训练10M维度的PINN
研究人员开发了一个名为随机维度无零阶估计器（SDZE）的新框架，以解决物理信息神经网络（PINNs）训练中的内存和计算限制。SDZE通过同步扰动间的随机数来缓解方差爆炸，从而实现空间和内存要求方面的维度无关复杂度。该方法还减少了参数探索方差，使得在单个NVIDIA A100 GPU上训练多达1000万维度的PINN成为可能，显著提高了效率。
-
新的DLDMF框架增强了神经PDE求解器的参数泛化能力
研究人员开发了一个名为解耦潜在动力学流形融合（DLDMF）的新的物理信息框架，以提高神经代理模型在求解参数化偏微分方程（PDE）方面的泛化能力。该方法显式地分离了空间、时间和参数维度，从而能够跨不同PDE参数和更长的时间范围进行更稳定、更准确的预测。DLDMF通过将PDE参数映射到一个连续的潜在嵌入来实现这一点，该嵌入条件化了一个神经常微分方程，从而在未见过的参数设置和时间外推方面实现了稳健的性能。
-
新的MODE架构增强了物理信息神经网络
研究人员推出了一种新颖的微架构，用于适应物理信息神经网络（PINNs）的流形-正交双谱外插（MODE）。MODE通过分解物理演化为不同的机制，解决了现有方法（如基于SVD的微调和传统的参数高效微调（PEFT））的局限性。这种方法能够实现跨模态能量转移，激活高频光谱分量，并分离空间平移动力学，以最小的参数复杂度实现了强大的分布外泛化能力。
-
新的PINN框架增强了高维积分约束的执行
研究人员引入了一个名为随机维度隐函数投影（SDIFP）的新框架，以解决高维偏微分方程神经网络求解器中执行积分约束的挑战。该方法用全局仿射校正取代了传统的基于网格的投影技术，该校正由加权求积规则导出的标量系数确定。SDIFP旨在通过将求积评估与自动微分内存成本分离并实现点推理效率，来提高可扩展性和效率，特别是对于无网格方法（如物理信息神经网络（PINNs））而言。
-
新AI方法解决复杂微分方程
研究人员正在探索新颖的神经网络架构和训练方法，以改进复杂微分方程的求解。论文介绍了改进的神经算子，该算子包含一个辅助函数维度以改进嵌入演化；以及分支神经粗糙微分方程，它为随机和流形值动力学提供了一个统一的框架。其他工作侧重于物理信息神经算子（PINOs），考察训练流水线的效率和鲁棒性，并提出曲率感知动态精度方法来平衡计算成本和准确性。