AITOP

PDE

共 6 条相关 AI 资讯
7月9日
10:10
7月8日
10:13
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 NetworkPDEBurgers方程解流形降维
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
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GAIAoperator learningPDEgeometry-adaptive反问题
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
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ENSPDE神经求解器残差输入
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
6月11日
10:06
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ICONChain of Operators泛化PDE
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