跳到正文
热点事件持续更新

研究团队提出无网格潜在动力学模型统一框架

1 篇报道1 个报道来源8 小时前更新

先了解这件事

AI 综述

Lorenzo Tomada、Federico Pichi 和 Gianluigi Rozza 提出基于神经场(NeFs)条件建模的无网格潜在动力学模型(LDMs)统一数学框架,用于时变偏微分方程的模型降阶,并给出了通用逼近定理,分析了不同条件机制的稳定性。 研究团队在 Burgers 方程、圆柱绕流 Navier–Stokes 方程和线性平流三个问题上开展实验。结果显示,该无网格模型仅使用网格模型 2% 的可训练参数,就能达到相当或更好的预测精度,并且在不同空间离散方式下保持近乎恒定的误差。

AI 根据报道生成 · 2 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月2日
  1. arXiv · Machine Learning
    基于神经场条件建模的无网格潜在动力学模型:用于时变偏微分方程的模型降阶

    研究提出基于神经场(NeFs)条件建模的无网格潜在动力学模型(LDMs)统一数学框架,用于时变偏微分方程(PDEs)的模型降阶,并证明其通用逼近定理,分析不同条件机制的稳定性。实验涵盖 Burgers 方程、圆柱绕流 Navier–Stokes 流和线性平流,无网格模型仅使用 2% 的可训练参数,即可达到与网格模型相当或更好的预测精度。

本事件热度走势

还没有足够的连续观测数据,暂不绘制趋势。