小红花·文摘
  • 首页
  • AI Tokens🪙
  • 排行榜🏆
  • 直播
  • FAQ
沉浸式翻译 immersive translate
Dify.AI

机器之心数据服务现已上线,提供高效稳定的数据获取服务,简化数据爬取流程。

ICML 2025 | 北航提出科学智算基础模型OmniArch,实现11类PDE求解性能提升

机器之心 机器之心 · 2025-07-25T03:58:50Z

本研究提出CALM-PDE模型,旨在高效求解时间依赖的偏微分方程。该模型采用连续卷积编码器-解码器架构,在压缩的潜空间中处理PDE,显著提高内存和推理效率,优于传统Transformer方法。

CALM-PDE: Continuous and Adaptive Convolutional Latent Space Modeling for Time-dependent Partial Differential Equations

BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 · 2025-05-19T00:00:00Z
ICLR 2025 Oral|突破深度学习求解PDE的瓶颈,清华提出空间调控新范式GridMix

深度学习在偏微分方程求解中展现出潜力,尤其是神经场(INRs)在复杂场景下表现优异。清华大学提出的GridMix方法通过网格基函数的线性组合,克服了现有INR方法的局限,提升了模型对局部细节和全局结构的建模能力。实验结果显示,GridMix在动态系统建模和几何感知推理中均取得显著性能提升。

ICLR 2025 Oral|突破深度学习求解PDE的瓶颈,清华提出空间调控新范式GridMix

机器之心 机器之心 · 2025-03-20T10:44:45Z

本研究提出了一种新的PDE约束深度核学习框架(PDE-DKL),有效解决高维偏微分方程中的数据稀缺问题。该框架结合深度学习与高斯过程,确保在有限数据下仍能准确解算。实验结果表明其在高维PDE应用中具有高精度和低数据需求。

Deep Kernel Learning for Partial Differential Equations under High-Dimensional Constraints

BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 · 2025-01-30T00:00:00Z

本研究提出了一种新型的PDE嵌入网络MultiPDENet,结合数值方法与机器学习,解决了传统求解偏微分方程的高计算成本问题。该方法通过多时间步整合和小参数卷积滤波器,显著提升流体的长期时空动态预测能力,并在小规模、不完整训练数据上表现出色。

MultiPDENet: PDE-Embedded Learning with Multi-Time Stepping for Accelerated Fluid Simulation

BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 · 2025-01-27T00:00:00Z

本研究提出了一种新框架“部分观测下重新启用 PDE 损失”(RPLPO),旨在在数据稀缺时有效利用偏微分方程损失。实验结果表明,RPLPO在观测数据稀疏的情况下显著提升了模型的泛化能力。

在部分观测下如何重新启用 PDE 损失以建模物理系统

BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 · 2024-12-12T00:00:00Z

本研究提出了LE-PDE++模型,通过引入Mamba模型,解决了经典和深度学习偏微分方程求解器的计算强度问题。该方法在保持高预测准确性的同时,显著缩短了计算时间。

LE-PDE++: Mamba Model for Accelerating PDE Simulations

BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 · 2024-11-04T00:00:00Z

本文探讨了神经网络在无限维空间与有限维空间之间的映射,提出了多种新方法用于求解偏微分方程(PDE)。研究表明,基于图神经网络的模型在模拟时变PDE方面表现出高效性和良好的泛化能力,尤其在复杂系统的动力学建模中表现突出。新方法如GraphDeepONet和PeFNN在处理无边界微分方程和复杂时空动力学系统时展现了卓越性能。

图谱傅里叶神经核 (G-FuNK):在多个领域学习非线性扩散参数 PDE 的解

BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 · 2024-10-06T00:00:00Z

本研究提出了PROSE-FD,一种零-shot多模态PDE基础模型,能够同时预测多种异质二维物理系统,如浅水方程和纳维-斯托克斯方程。该模型通过新的基于变压器的多算子学习方法,显著提升了基于数据的预测能力,并在基准任务中优于现有模型。

PROSE-FD: A Multimodal PDE Foundation Model for Predicting Fluid Dynamics

BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 · 2024-09-15T00:00:00Z

本文综述了多任务学习在深度神经网络中的应用,重点讨论了体系结构、优化方法和任务关系学习。介绍了新算法PI-DeepONets及其在求解偏微分方程中的优势,强调了元学习和物理知识对提高预测准确性的作用。

多任务深度神经网络协同学习在高效 PDE 问题求解中的应用

BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 · 2024-08-05T00:00:00Z

本文探讨了利用偏微分方程(PDE)改进神经网络泛化性能的方法,包括对抗性自适应采样和基于噪声感知的物理信息机器学习框架。这些方法在解决复杂的PDE和动态高维空间问题时表现出显著优势,提升了模型的鲁棒性和可解释性。

动力测量传输和神经 PDE 求解器用于采样

BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 · 2024-07-10T00:00:00Z

本文探讨了高斯过程Port-Hamiltonian系统(GP-PHS)在物理信息贝叶斯学习中的应用,强调不确定性量化。提出了多种基于物理约束的深度学习和建模方法,以提高小样本问题的解决能力,并有效量化科学机器学习中的不确定性。这些方法结合了物理知识与机器学习,提升了系统动力学预测的准确性,展示了在科学领域的广泛应用潜力。

物理约束学习带不确定性的 PDE 系统的 Port-Hamiltonian 模型

BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 · 2024-06-17T00:00:00Z

通过使用物理轨迹残差学习 (DeltaPhi) 的物理残差学习方法,可以解决神经算子网络在存在潜在数据偏差时学习正确物理动力学的问题,特别是在可用数据量受限或分辨率极低的实际偏微分方程求解场景中。

DeltaPhi: 学习物理轨迹残差用于 PDE 求解

BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 · 2024-06-14T00:00:00Z

该论文研究了新型物理启发神经网络(PINNs)在求解偏微分方程(PDEs)中的应用,提出了DM-PINN和latentPINN等改进架构,显著提高了准确性和效率。同时,探讨了维度诅咒的解决策略,并介绍了PPINN等新结构,能够快速解决时间依赖性PDE问题。整体上,论文展示了PINNs在不同PDE参数下的有效性和鲁棒性。

带有隐藏层级连接的物理启发神经网络的 PDE 近似的误差分析与数值算法

BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 · 2024-06-10T00:00:00Z

应用偏微分方程模型到现实世界问题是科学机器学习的重要课题。本文提出一种结合基于有限体积法的离散化方案和数值线性代数技术的框架,通过实验验证在空间与时间方面的海啸模拟中该方法相比之前的基于插值法的技术有显著的性能提升。

使用结构化体积信息放大概率 PDE 模拟器

BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 · 2024-06-07T00:00:00Z

通过在潜变量空间中解决 PDE 问题,提出了潜变量神经运算器(LNO)模型,其中利用物理交叉注意力(PhCA)将表示从几何空间转化到潜变量空间,并通过反向 PhCA 映射恢复真实的几何空间,模型具有灵活性,可以解码任意位置的值并提高预测准确性和计算效率。

用于求解正向和逆向 PDE 问题的潜在神经算子

BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 · 2024-06-06T00:00:00Z

本文介绍了基于neovim打造个人开发环境(PDE),包括安装neovim和开发语言的工具链和环境,克隆github库并执行初始化,以及核心插件如alpha-nvim、telescope.nvim、Tree-Sitter、Mason.nvim和CodeCompletion。文章还提到了如何扩展个人开发环境。

基于neovim打造属于自己的PDE

六虎 六虎 · 2024-03-17T02:22:38Z

综述多篇论文,聚焦深度学习加速偏微分方程求解与不确定性量化。LE-PDE通过潜空间演化实现最高128倍更新缩减和15倍加速;物理启发神经网络、变分梯度下降、DiffHybrid-UQ等方法量化认知与偶然不确定性;GPLaSDI结合自编码器与高斯过程,实现最高10万倍加速、误差低于7%。

通过潜在全局演化对 PDE 的正向和反向问题进行不确定性量化

BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 · 2024-02-13T00:00:00Z

本文综述了物理信息神经网络(PINN)的多项研究进展:SPINN可在单GPU上处理超千万样本点,降低多维偏微分方程的计算成本;PPINN将长时间问题分解为短时间子问题以加速求解;OL-PINN结合DeepONet提升尖锐解问题的准确性与鲁棒性;此外还探讨了障碍相关偏微分方程、低秩PINN元学习、latentPINN参数泛化、结合数值积分的新损失函数、NeuralPDE求解多物理场、多尺度损失重构,以及PINN作为线性求解器与迁移学习等方向。

实时 FJ/MAC PDE 求解器通过张量化的非反向传播光学 PINN 训练

BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 · 2023-12-31T00:00:00Z

通过学习解算子,解决偏微分方程已成为传统数值方法的有吸引力的替代方法。介绍了一种基于注意力机制的模型IPOT,能处理任意输入函数与输出查询,并以计算高效的方式捕捉全局交互。实验结果表明,在广泛的偏微分方程基准和实际天气预测方案中,IPOT取得了良好的性能和可管理的计算复杂性。

诱导点算子变换器:一种用于求解 PDE 的灵活可扩展的体系结构

BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 · 2023-12-18T00:00:00Z
  • <<
  • <
  • 1 (current)
  • 2
  • >
  • >>
👤 个人中心
在公众号发送验证码完成验证
登录验证
在本设备完成一次验证即可继续使用

完成下面两步后,将自动完成登录并继续当前操作。

1 关注公众号
小红花技术领袖公众号二维码
小红花技术领袖
如果当前 App 无法识别二维码,请在微信搜索并关注该公众号
2 发送验证码
在公众号对话中发送下面 4 位验证码
小红花技术领袖俱乐部
小红花·文摘:汇聚分发优质内容
小红花技术领袖俱乐部
Copyright © 2021-
粤ICP备2022094092号-1
公众号 小红花技术领袖俱乐部公众号二维码
视频号 小红花技术领袖俱乐部视频号二维码