偏微分方程相关 AI 资讯 · AI 热点

7月29日

09:20

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-BLS PINNs 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。

7月23日

12:27

12:27

官方账号arXiv cs.LG@Amirhossein Sadr, Nima Soltani, Vahideh Moghtadaiee, Aida Pakniyat, Dara Rahmati, Saeid Gorgin

PG-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-KINN KAN 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。

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

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

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。