scientific machine learning | BriefGPT

关键词scientific machine learning

搜索结果 - 41

物理基础神经网络引力模型：第三代
通过对模型设计的多次修改，引入了第三代物理信息神经网络重力模型（PINN-GM-III）来解决外推误差、对低空样本的偏见、高空数值不稳定性和符合边界条件等关键模型挑战。该模型经过对已知异质密度小行星进行建模，通过七个核心指标对其性能进行评估
PDF7 months ago
物理约束神经网络与神经算子中的有噪输入输出不确定性量化
通过引入贝叶斯方法来量化物理知识中 PINNs 和 NOs 中由于带有噪声的输入和输出引起的不确定性。
PDF8 months ago
基于时间相关哈密尔顿动力学的哈密尔顿 - 雅各比偏微分方程在持续科学机器学习中的应用
我们提出了一种新的理论方法，通过与泛化 Hopf 公式的建立来提高科学机器学习 (SciML) 过程的可解释性，并且该方法与最优控制问题和 Hamilton-Jacobi 偏微分方程 (HJ PDE) 的时间相关哈密顿量有关。同时，我们提供
PDF8 months ago
集成模型在超音速流动操作员学习中胜过单一模型的不确定性和预测
在本研究中，我们使用三种不同的不确定性量化机制（均值方差估计、证据不确定性和集成）扩展了一个具有不确定性感知能力的 DeepONet 模型，并使用在各种马赫数和高度下通过计算流体力学生成的数据对该模型进行了训练和评估。我们发现，在插值和外插
PDF8 months ago
CoNO: 复杂神经算子与连续动力学系统
通过在复分数傅立叶域中参数化积分核并利用复值神经网络及无混淆激活函数，我们引入了复神经算子（CoNO），以提高模型的表示能力、噪音鲁棒性和泛化能力，并在多个数据集和其他任务上对 CoNO 进行了广泛的实证评估，结果显示 CoNO 在这些任务
PDF9 months ago
一种保障稳定的二次模型及其在 SINDy 和运算推断中的应用
科学机器学习方法用于学习动力系统，该方法结合了数据驱动模型、基于物理模型的建模和经验知识。本研究主要关注运算推断方法，该方法在已知物理学规律或由专家确定的模型结构的先验假设下，构建动力学模型，并通过适当的优化问题学习模型的算子。我们提出了稳
PDF10 months ago
通过传感器数据、方程式和自然语言，在上下文操作学习时的刺激
在科学机器学习的不断发展中，上下文操作符学习在推理阶段从提示数据中学习操作符而无需进行权重更新方面显示出显著潜力。然而，当前模型对传感器数据的过度依赖可能会无意中忽视对操作符的宝贵人类洞察力。为了解决这个问题，我们将上下文操作符学习转化为多
PDFa year ago
GOKU-UI: 连续时间生成模型的注意力和多次射击普遍推理
本文介绍了 GOKU-UI，一个基于 Scientific Machine Learning（SciML）演化而来的生成模型，它通过在潜空间中使用注意力机制和新型的多发射训练策略，结合不同种类的微分方程，实现分布式推理，显著提高了模型的性能
PDFa year ago
用功能线性模型对基于物理的问题中的深度学习进行解读和泛化
通过提出广义函数线性模型作为一个可解释的替代模型，可以在科学机器学习中获得可比较的准确性并提高超出分布数据的泛化能力，同时提供更多的透明度和可解释性。
PDFa year ago
CrunchGPT: 一种辅助科学机器学习的 ChatGPT 框架
本研究介绍了 CrunchGPT，这是一个基于 ChatGPT 的统一框架，可以在用户的简单提示下编排 SciML 的整个工作流程。研究还展示了两个案例，以演示 CrunchGPT 在气动优化和流场操作中的应用，重点是演示了 CrunchG
PDFa year ago
SuperBench：用于科学机器学习的超分辨率基准数据集
SuperBench 是第一个带有高分辨率数据集的基准数据集，包括流体流动、宇宙学和天气数据，旨在验证空间分辨率性能并评估数据退化任务鲁棒性的方法。深度学习为基础的 SR 方法在某些任务上表现出色，但在捕捉微妙的细节和保留科学数据的基本物理
PDFa year ago
关系推理的动态图先验
本文提出了一种名为 DYGR 的动态图先验方法，通过高次非局部多项式滤波器中的误差放大来构造良好的图学习梯度，实现了关系推理，并在科学机器学习中表现出了异常的鲁棒性。
PDFa year ago
GeometricImageNet：将卷积神经网络扩展到矢量和张量图像
通过对几何卷积、外积、张量索引收缩和张量索引排列的结合，我们提出了几何图像网络，可以更好地处理科学领域中粒子、向量和张量层面的图像信息。在小规模数值实验中，我们发现该网络具有很好的泛化性能，可以应用于宇宙学或海洋动力学等科学机器学习问题。
PDFa year ago
ICML利用参数引导通道注意力学习神经偏微分方程求解器
本研究提出了一种基于科学机器学习（SciML）的渠道关注机制导向的偏微分方程（PDE）参数嵌入（CAPE）组件来实现神经替代模型，以及一种简单而有效的课程学习策略，通过流畅的过渡学习使得这些神经替代模型能够适应未见过的 PDE 参数，并在常
PDFa year ago
预测三维地震波传播的傅里叶神经算子代理模型
本文介绍了利用神经算子和傅里叶神经算子在三维地震学中进行高保真数值模拟并模拟地面运动时系列的应用。模型可以用于评估地质特征对地面运动的影响，特别是介于中等和大范围的区间的地面运动强度。
PDFa year ago
不确定性感知科学机器学习模型的稳健学习方法
提出了一种综合的科学机器学习模型参数不确定性评估方法，考虑了多种可能的不确定性来源，验证了该方法的鲁棒性和一致性，并在聚合物反应器的软传感器开发中得到了实际应用。
PDF2 years ago
ICML通过深度学习实现对于层析成像逆问题的几乎精确恢复
本文旨在探讨科学机器学习中的一个基本问题，即基于深度学习的方法是否能够将无噪声的反问题精确解决。作者通过提供证据证明了这一问题。本文着重研究了一个典型的计算机断层扫描（CT）问题，并且通过迭代的端到端网络方案以及数据驱动的校准步骤，展示了该
PDF2 years ago
AutoKE：科学机器学习自动知识嵌入框架
提出一种名为 AutoKE 的科学机器学习框架，利用神经网络、方程解析器、神经结构搜索和迁移学习等技术，实现了将物理知识嵌入预测模型的自动化，解决了应用物理方程问题中的编程难题。
PDF2 years ago
ICLR不可分离的辛神经网络
提出了一种新的神经网络架构 Nonseparable Symplectic Neural Networks (NSSNNs)，可以从有限的观察数据中发现并嵌入非可分离 Hamiltonian 系统的辛结构，从而预测分离和非分离 Hamilt
PDF4 years ago
理解并减轻物理启示神经网络中的梯度病理
本文回顾了科学机器学习的最新进展，特别关注物理启发式神经网络在预测物理系统结果和从噪声数据中发现隐藏的物理方面的有效性。我们提出了一个神经网络体系结构，该结构对梯度病理具有更强的鲁棒性，并提出了一个学习率退火算法，通过使用模型训练期间的梯度
PDF4 years ago