标签
本文提出了NeTMY，一种免摊销的坐标神经场，用于NV色心量子传感中的逆问题，通过使用校正的前向模型和稀疏重建损失来克服中心坍塌病理。
本文介绍了 MuFiNNs，这是一种层次化多保真度神经网络框架，旨在利用稀疏的实验数据预测三维火焰皱褶度和湍流燃烧速度。该方法将低保真度的物理趋势与高保真度修正相结合，从而在数据有限的燃烧状态下实现稳健的预测和外推。
本文建立了神经算子的定量 Sobolev 逼近界，证明了算子可以以显式的复杂度-误差关系进行一致逼近。通过在 Burgers 方程上对 Fourier 神经算子（FNOs）进行验证，展示了 Sobolev 空间逼近理论能够准确预测其缩放行为。
本文介绍了 MeLISA，这是一种无需潜变量的自回归生成代理模型，用于预测高维物理动力学。该模型利用像素空间的 MeanFlow 实现高效的单步生成。与神经算子相比，MeLISA 在湍流基准测试中展现出更优越的长程统计精度和推理速度。