numerical-simulation

A研究提出了一种基于物理信息神经网络（PINNs）求解漂移-扩散方程的方法，用于半导体器件建模。该方法在PN结的正向和反向问题上达到与传统TCAD仿真相当的精度，并能在非平衡条件下根据电场或电位分布反演掺杂剖面。

该论文利用OperatorCLIP——一种采用CLIP风格对比对齐、并配备FiLM控制的FNO——研究文本条件化是否真的能引导神经PDE代理模型。研究发现，常量提示的对照组往往与任务文本条件化表现相当甚至更优，且单描述训练会使文本对齐变得不可辨识。

本文介绍了Staged Depth Training（SDT），这是一种针对Physics-Informed Neural Networks（PINNs）的表征课程，通过显式学习和迁移隐藏表征来提高训练性能。

本文介绍了一种基于 reinforcement learning 的方法，用于在混合域分解模拟中自适应选择全阶模型（FOMs）和降阶模型（ROMs），使用 deep Q-networks 来平衡瞬态问题中的精度和成本。

The Well是一个包含16个领域、15TB多样化物理模拟数据集的大规模集合，旨在为时空物理系统的机器学习代理模型提供基准测试。它提供了统一的PyTorch接口和示例基线，以加速基于模拟的工作流程。