标签
FlowBudget 提出一种免训练的采样预算估计方法，通过无需仿真的插值探针估计相对于求解器的采样复杂度，从而在不进行 FID 与 NFE 扫描的情况下，确定流匹配模型所需的函数求值次数（NFE）。
论文提出 D-SLR（不相交行稀疏加低秩）分解，作为截断 SVD 的闭式替代方案，通过要求每行要么原样存储、要么由低秩拟合来消除耦合，在平方误差下不损失最优性，且无需迭代求解或调参。
Eli Bendersky 的博客文章通过简单、动手的实例讲解蒙特卡罗模拟，包括用投掷飞镖估算 π 的值，以及通过模拟纸牌游戏 SET 来回答组合概率问题。
LinearSolveBench 是一个用于评估 C 语言线性求解器的新基准测试，重点关注针对大型稀疏系统的速度、精度和通用性，以促进算法进步。
这些讲义笔记介绍了Physics Informed Neural Networks (PINNs)和Neural Operators，涵盖了它们在PyTorch和NVIDIA PhysicsNeMo等开源库中的实现，以及在工程和物理中的应用。
本文研究了为什么理论上收敛更快的 Gauss-Seidel 方法由于循环携带依赖而表现得比 Jacobi 方法慢，并展示了如何通过循环展开来提高性能。
本文提出了一种用于物理信息神经网络（PINNs）的基于物理信息的错误场学习（PIEFL）框架，引入辅助错误网络以提高在计算约束下求解部分微分方程（PDEs）的解的精度。
本文介绍了局部收敛输入神经网络（NNLCI），用于加速基于PDE的期权定价，结合粗网格和细网格解，在多资产Black–Scholes和Heston模型中将RMSE降低4–12倍。
一篇技术博客文章，介绍分解子域上的随机游走（WODS），这是一种用于求解复杂几何形状下椭圆偏微分方程的无网格蒙特卡罗方法，并与有限差分法和有限元法进行了对比。
AutoPDE是一个代码代理，它显式表示偏微分方程的求解器策略，在PDE Agent Bench上相比基线方法将通过率提高了14.2%。