数学家Anandkumar团队利用物理信息神经网络(PINN),首次在无外力欧拉方程中找到自相似奇点解并验证其稳定性。他们采用行波自相似假设、二阶优化器及高精度计算,结果与理论预测的0.5标度指数一致。团队还用大模型辅助简化证明,强调AI应补充而非取代人类创造力。
陶哲轩报道了Alpöge与Buckmaster的新进展:他们基于Córdoba和Martínez-Zoroa的方法,在不可压缩多孔介质、二维Boussinesq及三维欧拉方程中证明了有限时间爆破,并有望推广至Navier-Stokes方程。工作采用AI辅助并已用Lean形式化,核心策略是迭代添加高频修正,利用线性化不稳定性放大解,同时保持强迫项光滑。
研究人员提出了一种新方法,利用人工智能技术解决流体动力学中的挑战。他们发现了一类新的不稳定奇点,这对理解复杂的流体方程(如欧拉和纳维-斯托克斯方程)至关重要。这项研究结合了数学见解与先进的AI,标志着计算辅助数学研究的新纪元。
该文章讨论了在光滑紧致的黎曼流形上,不可压缩的欧拉方程可以用抽象指标表示。作者提出了一个猜想,即存在一个流形和一个光滑解,其在有限时间内发散。作者试图通过解决一组欠定的偏微分方程来证明这个猜想,但尚未取得进展。文章还介绍了一些相关的研究成果和方法。作者提出了一种简化的问题,并给出了一个有界的强迫项的有限时间发散的解。作者还尝试了一种几何角度的方法,但未能成功。
本文提出了一种结合深度学习与标准求解器的数据驱动方法,快速模拟不可压缩的欧拉方程,取得了优于现有方法的2D和3D结果。研究探讨了卷积神经网络的对称性引入及其在物理动态预测中的应用,展示了高准确性和速度提升。
完成下面两步后,将自动完成登录并继续当前操作。