09:59官方账号arXiv cs.LG@Victorita Dolean, Jemima Tabeart本课程笔记是高级数值线性代数硕士课程的第一个部分,旨在展示该主题为何比一代人前变得更加核心。内容涵盖从范数、因子分解、条件数和浮点运算到稀疏矩阵、迭代方法和预处理的各个方面。每章都包含总结和练习。论文数值线性代数偏微分方程机器学习推荐理由:想要深入了解数值线性代数在偏微分方程、机器学习和数据同化中的应用?这本书是绝佳的选择,它不仅介绍了经典算法,还展示了这些算法在现代科学和工程中的重要性。原文稍后读已读值得跟进有用关注 数值线性代数
09:20官方账号arXiv cs.LG@Pinki Khatun, M. Sajid, Abhinav Jha, M. Tanveer物理信息神经网络(PINNs)需依赖梯度优化,训练慢且成本高。新提出的PI-BLS框架将微分算子和边界条件嵌入线性输出层优化,通过伪逆直接求解,完全消除反向传播。在多个前向偏微分方程基准上,PI-BLS以更少训练时间和参数达到与PINNs相当或更优的精度。AI模型PI-BLSPINNs偏微分方程推荐理由:PI-BLS用伪逆一步求解PDE,比传统PINNs快得多,参数更少,效果还不差,适合做物理模拟的朋友试试。原文稍后读已读值得跟进有用关注 PI-BLS
12:27官方账号arXiv cs.LG@Amirhossein Sadr, Nima Soltani, Vahideh Moghtadaiee, Aida Pakniyat, Dara Rahmati, Saeid GorginPG-KINN是一种基于Petrov-Galerkin公式的物理信息KAN网络,使用KAN作为试函数空间、独立分段多项式作为测试函数空间。该方法通过分部积分降低微分阶数,适用于非自伴、非线性和反问题。在裂纹奇异性、应力集中、Neo-Hookean超弹性、异质介质参数反演等基准测试中,PG-KINN优于传统MLP和基于KAN的强形式/能量形式方法(PIKAN)。AI模型PG-KINNKAN偏微分方程推荐理由:PG-KINN用Petrov-Galerkin方法结合KAN,在多个力学难题上精度超过PIKAN和MLP,值得做计算力学的人试试。原文稍后读已读值得跟进有用关注 PG-KINN
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DSGNARPINNs二阶优化推荐理由: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。原文稍后读已读值得跟进有用关注 DSGNAR
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 OperatorHartley Neural Operator神经算子推荐理由: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。原文稍后读已读值得跟进有用关注 Fourier Neural Operator