偏微分方程相关 AI 资讯 · AI 热点

7月3日

09:07

09:07

官方账号arXiv cs.LG@Joseph Webb, Sadok Jerad, Coralia Cartis

精选

DSGNAR是一种针对物理信息神经网络（PINNs）训练中病态损失问题的二阶优化框架，通过双重草图高斯-牛顿与自适应正则化策略，在多个基准上取得突破。在双精度下，相对ℓ2误差可低至3×10^{-16}；在经典Burgers方程上比现有结果提升五个数量级，在高维Poisson问题上提升八个数量级。单精度下，Burgers方程可在10秒内达到ℓ2_rel=4.75×10^{-7}。该方法对不同架构、精度和超参数均表现鲁棒。

论文 DSGNAR PINNs 二阶优化偏微分方程论文

推荐理由：PINNs一直跑不过传统方法，DSGNAR用二阶优化解决了问题，精度和速度都大幅提升，代码已开源，值得看看。

6月24日

11:53

11:53

官方账号arXiv cs.LG@Jason Sulskis, Sathya Ravi

精选

该论文提出Hartley Neural Operator (HNO)，作为Fourier Neural Operator (FNO)的纯实数镜像，用实离散Hartley变换替代复FFT。HNO在每个保留谱模式上学习单个实权重，无复数运算。实验表明，对于自伴椭圆偏微分方程（如泊松、双调和方程），HNO表现更优，因为其实对称Green函数可被实数对角化；对于含相位的时间依赖方程（如波动、对流、Burgers、Navier-Stokes），FNO更优，且优势随相位含量增加而增强。研究给出了基于算子对称性选择谱基的预测规则。

论文 Fourier Neural Operator Hartley Neural Operator 神经算子 Green函数偏微分方程

推荐理由：这篇论文告诉你，求解偏微分方程时该用复傅里叶还是实哈特利基——没有万能赢家，得看算子有无相位。