12:16官方账号arXiv cs.LG@Zechen Zhang, Rui Peng Li, Yousef Saad该论文提出图神经网络多层级预条件器(GMP),将代数多重网格(AMG)层级结构作为先验,统一学习平滑、限制与插值算子。在超800个稀疏矩阵基准上,对比经典AMG、单层ILUT及现有GNN预条件器,分析了多层级图神经预条件在收敛性和计算开销上的优劣。结果表明GMP可作为标准Krylov求解器的即插即用预条件器,但在某些场景下不及强单层基线。论文Graph Neural Multilevel PreconditionersGNNAMG推荐理由:想给稀疏矩阵求解提速的话,这篇论文把AMG层级和图神经网络结合了,在800多个矩阵上实测,可以看到它什么时候比AMG好、什么时候反而更慢。原文稍后读已读值得跟进有用关注 Graph Neural Multilevel Preconditioners
10:56官方账号arXiv cs.LG@Eric Chillón, Artur K. Lidtke, Nguyen Anh Khoa Doan, Bernat Font本研究提出一种数据驱动的代数多重网格(AMG)平滑器,采用改进的图卷积同构网络(GCIN)。该网络从稀疏系数矩阵中学习最优多项式系数,以构建稀疏伪逆算子,在非结构化网格上减少V-cycle迭代次数。在多个基准测试中,该方法实现了4%到37%的壁钟时间加速。模型展现出强大的泛化能力,可处理训练时未见过的、尺寸大128倍的网格,并加速AirfRANS数据集等工业相关问题的收敛。论文Graph Neural NetworksAMG压力-Poisson方程推荐理由:这篇论文用图神经网络优化AMG求解器,在非结构网格上提速最高37%,而且能在128倍大的网格上照样用,搞CFD的可以看看。原文稍后读已读值得跟进有用关注 Graph Neural Networks
08:05IT之家(博客/媒体)梅赛德斯-AMG 正将标志性高性能轿跑 AMG GT 四门版全面转向纯电驱动,这是品牌历史上最关键的一次转型。AMG CEO 迈克尔·席贝表示,公司已充分吸收市场经验,新一代车型采用全新电池架构,顶配 GT63 最大功率 1153 马力,0-96km/h 加速仅需 2 秒。席贝认为,让传统大排量用户接受电动性能车的关键在于试驾体验,通过实际驾驶改变对电动汽车“情绪化不足”的质疑。他强调,产品必须足够出色,并让全世界知道它有多好。AI产品AMG纯电 GT高性能跑车推荐理由:AMG 的电动化转型是高性能车迷和潜在买家必须关注的事件——席贝用试驾策略直面用户对电动性能的疑虑,做汽车行业或对性能车感兴趣的人,看完会想预约试驾。原文稍后读已读值得跟进有用关注 AMG