PDE 相关 AI 资讯

8月19日

11:40

官方账号arXiv cs.LG@Yixuan Sun, Anirban Samaddar, Sandeep Madireddy

研究提出了一种基于流动匹配的模型，通过势诱导速度产生显式标量能量，其梯度恰好是转换后的学习评分函数。该方法在PDE场生成任务中实现了能量校正的数据生成，相比传统流动ODE基线，降低了PDE残差和谱距离。论文展示了能量函数可作为分布外(OOD)检测的评分工具，通过结合数据能量和基于物理的能量提高检测准确率。在逆问题应用中，研究将能量与二次观测似然组合形成后验能量，作为推理时明确选择的家族目标。

论文 flow-matching PDE OOD检测

推荐理由：物理学家和AI研究者必看！这篇论文把物理方程巧妙融入流动匹配模型，解决了PDE场生成和检测难题。

原文

7月28日

11:56

官方账号arXiv cs.LG@Justin Sirignano, Konstantinos Spiliopoulos, Samuel Cohen

这篇论文证明了对于一类半线性偏微分方程，使用梯度下降训练神经网络最小化PDE残差目标函数时，网络参数会全局收敛到PDE的解。研究针对Deep Galerkin Method和Physics Informed Neural Networks这两种主流方法，解决了长期存在的非凸目标函数可能只收敛到局部极小值的问题。论文结果覆盖了包含解及其一阶导数非线性的PDE类，为科学机器学习算法提供了数学基础。

论文 DGM PINN PDE

推荐理由：这篇论文给DGM和PINN的用户吃了定心丸：对于一类半线性PDE，梯度下降训练真的能收敛到正确解，不是只找到局部最优。

原文

7月9日

10:10

官方账号arXiv cs.LG@Xiangming Huang, Guannan Zhang, Lu Lu, Raphaël Pestourie

论文提出NOTES方法，将DeepONet神经算子与CMA-ES进化策略结合，在紧凑潜空间中进行全局优化。该方法将纳米光子束偏转器的设计维度从256降至25，并实现超过95%的效率。在结构优化任务中，NOTES发现的合规性设计达到246。与CMA-ES、拓扑优化等基线相比，NOTES在性能和迁移性上均有提升。

论文 NOTES DeepONet CMA-ES

推荐理由：这篇论文搞了个叫NOTES的框架，用神经算子压缩设计空间，再用进化策略找最优，在纳米光子偏转器上效率超95%，比传统方法好。

原文

7月8日

10:13

官方账号arXiv cs.LG@Raul Jimenez, Svitlana Mayboroda, Pavlos Protopapas, Leonid Sarieddine, David N. Spergel, Pedro Tarancón-Álvarez

该论文提出一种基于多头物理信息神经网络（multihead PINN）的框架，通过共享体学习潜在流形、线性头重建不同初始条件的解，并引入头正交化惩罚消除退化。在潜在维度n_b=20时，对一维粘性Burgers方程，2-4个主成分捕获约95%的潜在空间方差，4-7个捕获约99%。方法同样在热方程和波动方程上验证了压缩效果。频率谱分析显示主成分的波数分布在不同训练运行间可重现，成为解流形几何的稳健观测值。

论文 Physics-Informed Neural Network PDE Burgers方程

推荐理由：这篇论文用PINN把复杂偏微分方程的解空间压缩到几个主成分，95%的信息只需头4个维度，做科学计算或模型简化的人值得一看。

原文

7月2日

12:14

官方账号arXiv cs.LG@Meenakshi Krishnan, Pranav Pulijala, Ke Chen, Haizhao Yang, Ramani Duraiswami

GAIA 是一种几何自适应积分自编码器，用于任意几何域上的偏微分方程正问题和反问题的算子学习。它通过将几何边界和内部场分布编码为几何令牌，并利用交叉注意力机制使积分变换核局部适应几何特征，无需重新训练或迭代优化。在 7 个 2D 和 3D 基准测试中，包括电机阻抗断层扫描（EIT）、光学断层扫描、变化几何上的 3D Darct 流以及机械零件泊松 BVP 基准（MCB），GAIA 在所有反问题和 BVP 任务上取得 SOTA。与次优方法相比，在机翼流重建任务中降低了 64% 的中位相对 L2 误差，在 EIT 上降低了 27%，且在 MCB 每个形状类别上超越所有基线。

论文 GAIA operator learning PDE

推荐理由：GAIA 能用一个模型同时搞定正反问题，在七种几何任务上都拿了第一，尤其反问题精度提升明显，做 PDE 模拟的可以看看。

原文

6月26日

10:43

官方账号arXiv cs.LG@Haina Jiang, Liam Wang, Peng-Chen Chen, Min Seop Kwak, Seungryong Kim, Brian Bell, Jeong Joon Park

Error-Conditioned Neural Solvers (ENS) 将PDE残差场作为网络直接输入，让模型读取自身误差空间结构并学习迭代修正策略。在四个PDE系列上，ENS在多数设置中达到最高预测精度，在湍流Kolmogorov流上实现10倍提升。与依赖残差最小化的混合方法不同，ENS避免昂贵计算开销，并在分布偏移下泛化，包括零样本参数变化和跨方程迁移。理论证明数值最小化PDE残差在病态系统下可能不可靠，解释了现有方法的局限。

论文 ENS PDE 神经求解器

推荐理由：想用神经网络高效求解偏微分方程？ENS从残差输入中学迭代修正，比传统混合方法快10倍，还能零样本跨方程迁移。

原文

6月19日

10:59

官方账号arXiv cs.LG@Zongmin Yu, Liu Yang

ASYS（Agentic Symbolic Search）是一个结合进化搜索与梯度优化的智能体框架，用于自动发现偏微分方程的符号表示。在Allen-Cahn 2D问题中，它生成了几何界面公式；在Keller-Segel趋化模型中，它找到了九参数收缩律。该框架不依赖手工推导、网格数值解或神经网络逼近，在五个案例中均产出了可解释的数学结构。ASYS实现了符号回归之外的归纳偏差注入，为理解PDE解提供了新范式。

AI模型 ASYS PDE 符号回归

推荐理由：ASYS让AI自动去发现偏微分方程的数学结构，比如给Allen-Cahn和Keller-Segel找到了以前没人写出来的公式。搞数学或数值计算的可以看看。

原文

6月11日

10:06

官方账号arXiv cs.LG@Minghui Yang, Ling Guo, Liu Yang

神经算子模型在函数空间映射上表现良好，但泛化到其他算子时通常需要微调或重新训练。In-Context Operator Networks (ICON) 通过数值上下文提示让模型学习特定算子，无需微调即可适应不同算子，但在分布外任务上仍可能失败。受大语言模型链式提示的启发，研究者提出 Chain of Operators (CHOP) 框架，通过构建由显式初等变换和冻结的 ICON 组成的算子链，在不更新参数的情况下提升 ICON 在分布外任务上的泛化能力。在标量守恒律和平均场控制问题上的实验表明，CHOP 相比直接 ICON 评估降低了相对推理误差，且链中每个算子保持可解释和封闭形式。在一个 PDE 族上构建的链还能泛化到不同族，表明跨系统存在共享机制。

论文神经算子 ICON Chain of Operators

推荐理由：CHOP 解决了神经算子模型在分布外任务上泛化差的痛点，做科学计算或 PDE 求解的团队可以直接用这个框架提升模型效果，无需重新训练。

原文