标签
该论文提出了一种 11 维 PDE 状态,通过有界 FiLM 调制,以该状态为条件来调节元学习优化器,用于训练物理信息神经网络。在求解线性平流方程、KdV 方程和 Burgers 方程时,其表现优于 Adam 和无条件学习优化器。
提出了 Cautious ConFIG,一个三行扩展的优化算法,修复了 ConFIG 与 Adam 等自适应优化器结合时破坏无冲突梯度方向的问题,并在多个 PINN 基准上取得一致性能提升。
论文提出 L-SplineFNO,一种将 FNO 主干与稀疏可学习张量积 B 样条传输耦合的内存高效神经算子,用于在非结构化网格上近似 PDE 解算子,在六个三维工程基准上实现高精度并可扩展至 4600 万节点,还支持零样本超分辨率和基于 Bernstein 凸包与 Taylor 模型的严格预测界。
阿姆斯特丹大学的一篇论文提出了在构造上保证调和性的富集全纯神经网络,将从局部几何结构中推导出的可训练奇异函数与仅在边界上进行的拟合相结合,以求解二维和三维拉普拉斯问题。该富集模型的表现优于所有受测方法,在精确捕捉奇异性的情况下,实现了数个数量级的提升。
该论文提出 Gen-PINNs,一种将生成对抗网络与物理信息神经网络结合的确定性残差-对抗框架,用于求解具有尖锐波前和刚性特征的偏微分方程,在 Burgers、Allen-Cahn 和 Kuramoto-Sivashinsky 方程上相较标准 PINNs 显著提升了精度和收敛性。
本文提出 Function-Space Transformer(FST),一种在连续域上从函数中学习的框架。该框架将特征存储在由输入预测的锚点位置上,并通过递归的函数空间细化进行更新。FST 在 PDEBench 预测任务上优于 Perceiver IO,与 Fourier Neural Operators 表现相当,并在 ImageNet-1K 上以更少的参数超越 ViT。
KernelOnet 提出了一种可解释的神经算子框架,用核函数显式替代干网络(trunk network),提供数据驱动、物理信息以及混合核策略,用于求解偏微分方程,在精度更高、参数更少的情况下优于 DeepONet。
本文介绍了Transformer-Mamba for Flow Field (TM4FF)框架,这是一种受物理约束的算子学习模型,通过Residual Wavelet Mamba和physics-informed loss等创新,提升了计算流体动力学模拟的准确性和鲁棒性。
PINNForge 是一个由大型语言模型驱动的进化框架,用于自动化设计求解偏微分方程的物理信息神经网络,通过执行反馈达到最先进的性能。
本文提出使用图超网络来显式表示偏微分方程(PDEs)中的关系,以分摊物理信息神经网络(PINNs),在求解耦合系统时展现出更高的准确性。
本文提出了GeoLAMP,一种几何感知的潜变量自回归生成模型,用于在复杂几何结构中求解多物理场偏微分方程,采用双编码器架构和因果自注意力变换器结合流匹配,以实现稳定且可扩展的预测。
论文提出了Frame Kernel Method,这是一种用于PDEs代理建模的新型多尺度算子学习方法。该方法利用核帧近似,并比流行的神经算子达到更高的精度,同时实现多尺度分解。
本文介绍了一种物理集成的算子学习框架,使用前馈高斯溅射表示来直接纳入PDE算子,减少时空系统长期自回归预测中的误差。
本文提出了AD-TLERT,一个基于自动微分的统一GPU加速时移电阻率层析成像反演框架,实现了高效灵活的水文监测,并显著提升了速度。
This arXiv paper introduces the Edge-Conditioned Spectral Operator (ESO), a spectral neural operator that uses local edge-wise variations to adapt global spectral mixing, improving performance on physics-sensitive PDE benchmarks.
本文提出了FALM-PINN,一种用于物理信息神经网络的交替Levenberg-Marquardt训练框架,该框架使用傅里叶增强特征来解决谱偏差和表示-系数耦合问题,在高频和非线性偏微分方程上实现了最多低两个数量级的误差。
介绍LLT,一种基于Transformer的神经算子,它将线性全局注意力与局部空间混合相结合,用于PDE学习。在多个PDE问题上,与基线方法相比,它实现了具有竞争性的精度和更快的训练速度。
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%。
功能注意力是一种新颖的注意力机制,它将注意力重新解释为自适应基之间的功能对应关系,用受几何功能映射启发的结构化线性算子取代了softmax亲和性。该方法在包括PDE求解和3D分割在内的算子学习任务上实现了最先进的性能,同时保持了分辨率不变性。
本文研究了变系数波动方程中傅里叶神经算子与深度算子网络在分布偏移下的泛化行为,发现FNO难以处理高频输入,而DeepONet的性能下降较为平缓。