09:54官方账号arXiv cs.LG@Zikang Yan, Xiao Wang, Qingquan Yang, Zhendong Yang, Gaoting Chen, Zehua Chen, Bo Jiang, Jin Tang, Guosheng Xu传统有限元法(FEM)计算偏滤器温度场耗时且不适合实时应用。研究者提出物理感知神经算子Transformer(PNOT),将边界热流关系建模为结构化图,利用图注意力捕捉空间物理依赖。PNOT通过物理感知神经算子模块聚合相似物理条件的查询点并模拟热扩散,结合梯度约束Sobolev正则化损失保证函数值与导数一致性。实验表明,该方法在EAST装置上实现了高精度温度场重建,物理约束显著提升预测保真度。论文EASTPNOT温度场重建偏滤器物理感知推荐理由:东华大学团队用PNOT模型在EAST上搞定偏滤器温度场实时重建,比传统FEM快得多,还自带物理约束,做聚变仿真的可以看看。原文
11:15官方账号arXiv cs.LG@Reda Snaiki, Abdelatif Merabtine该研究提出一种不确定性感知的图神经网络框架,用于从稀疏传感器重建城市每日最高温度场,并支持距离约束的传感器布局和概率超限映射。模型采用图注意力机制和均值-残差架构,通过高斯负对数似然训练,同时预测温度场和空间变化的不确定性场。在蒙特利尔地区的实验中,使用Daymet v4.1数据(1公里分辨率)和严格的时间留出验证,该GNN在10-40个传感器预算下均优于反距离加权和普通克里金法。传感器布局影响在低预算时显著,约30个传感器时达到饱和。该框架为不确定性感知的温度场重建和面向决策的热风险制图提供了有效工具。论文图神经网络温度场重建稀疏传感器不确定性量化城市气候推荐理由:城市气候监测和热风险分析团队终于有了一个兼顾传感器预算和布局约束的实用方案——GNN在稀疏数据下比传统插值法更准,做城市热岛效应或极端高温预警的可以直接参考。原文