精选理由
想用神经网络高效求解偏微分方程？ENS从残差输入中学迭代修正，比传统混合方法快10倍，还能零样本跨方程迁移。
Error-Conditioned Neural Solvers (ENS) 将PDE残差场作为网络直接输入，让模型读取自身误差空间结构并学习迭代修正策略。在四个PDE系列上，ENS在多数设置中达到最高预测精度，在湍流Kolmogorov流上实现10倍提升。与依赖残差最小化的混合方法不同，ENS避免昂贵计算开销，并在分布偏移下泛化，包括零样本参数变化和跨方程迁移。理论证明数值最小化PDE残差在病态系统下可能不可靠，解释了现有方法的局限。
AI 翻译 · 中文
Error-Conditioned Neural Solvers (ENS) 将PDE残差场作为网络直接输入，让模型读取自身误差空间结构并学习迭代修正策略。在四个PDE系列上，ENS在多数设置中达到最高预测精度，在湍流Kolmogorov流上实现10倍提升。与依赖残差最小化的混合方法不同，ENS避免昂贵计算开销，并在分布偏移下泛化，包括零样本参数变化和跨方程迁移。理论证明数值最小化PDE残差在病态系统下可能不可靠，解释了现有方法的局限。
Neural surrogate models offer fast approximate mappings from PDE parameters to solutions, but they typically treat solving as a purely statistical task: once trained, they struggle to correct their own constraint violati…