标签
本文介绍了保守混合图网络（CHGN），这是一种用于建模动态过程系统的方法，无需重新训练即可外推到未见过的更大图，并改进工业应用中的故障预测。
本文通过识别三个关键因素——角色、半径和空间——来解决在无导数优化中使用神经网络的矛盾，这些因素决定了学习到的局部模型何时能在仿真优化中提升性能。
HI-MGN 引入层次多尺度图神经网络，旨在改进基于网格的物理模拟中的长程通信，在提升准确性的同时，与现有方法相比减少训练时间和内存使用。
本文介绍了智能体贝叶斯优化，其中LLM智能体作为贝叶斯后端支持的贝叶斯优化循环中的核心决策者，能够实现在线策略修订和问题重构。作者在Sara和lenz中实现了这一理念，展示了相比标准贝叶斯优化和基于LLM的基线方法的可靠性和性能提升。
介绍了物理审计代理科学机器学习（PA-SciML），这是一种以验证为先的工作流程，其中LLM代理发现替代模型，并针对边界条件和因果性等物理要求而非仅误差指标进行验证。数值示例表明，与仅基于误差的基线相比，可信度有所提高。
介绍TRIE，这是一个针对随机PDE代理模型的评估框架，用于测试不变测度的复现、可信的预测不确定性及效率。在两种SPDE上对逐点训练的神经代理模型、近似不确定性方法和生成模型进行基准测试，发现生成模型最为一致。
本文提出了一种通用的自适应序贯采样方法，用于构建多项式混沌展开代理模型，以改善多输出工程结构中的不确定性量化，同时平衡方差贡献和空间探索。
本文提出了盈亏平衡复杂度，一种衡量神经偏微分方程求解器相较于传统数值求解器何时具有成本效益的指标。该框架利用标度律来分配训练预算，并在多种偏微分方程基准上评估了多个神经求解器。