Suche nach Differentialgleichungen

PDE-Foundation-Model beschleunigt Parameterbestimmung in ICF

In der Forschung zu Inertial Confinement Fusion (ICF) setzen Wissenschaftler zunehmend auf sogenannte PDE‑Foundation‑Modelle. Diese Modelle…

arXiv – cs.LG 06.03.2026 05:00

Forschung

Flowers: Neuronales Modell für PDEs ohne Fourier- oder Convolution-Methoden

In einer kürzlich veröffentlichten Arbeit auf arXiv präsentiert das Forschungsteam die Architektur „Flowers“, ein neuronales Modell, das di…

arXiv – cs.LG 06.03.2026 05:00

Forschung

Neurale Operatoren: Zuverlässiger Umgang mit Funktionen außerhalb des Trainings

In einer neuen Veröffentlichung auf arXiv wird ein rigoroses Konzept vorgestellt, das neuronale Operatoren erweitert, um Eingabefunktionen…

arXiv – cs.LG 05.03.2026 05:00

Forschung

TENG-BC: Neural PDE Solver mit hoher Präzision bei zeitabhängigen Gleichungen

Ein neuer Ansatz namens TENG-BC (Time‑Evolving Natural Gradient for Boundary Conditions) verspricht, die langjährige Herausforderung der ex…

arXiv – cs.LG 03.03.2026 05:00

Forschung

Neurale Operatoren entdecken funktionale Cluster – neue Theorie und Praxis

Operator-Learning verändert die wissenschaftliche Berechnung, indem es die Inferenz über unendliche Problemfamilien amortisiert. Neurale Op…

arXiv – cs.LG 02.03.2026 05:00

Forschung

Neues Feldtheoretisches Gedächtnis für KI-Agenten: Kontinuierliche Kontextdynamik

Ein neu entwickeltes Gedächtnissystem für KI-Agenten nutzt kontinuierliche Felder, die durch partielle Differentialgleichungen gesteuert we…

arXiv – cs.AI 26.02.2026 05:00

Forschung

UDE-basierte Surrogates beschleunigen Agentenbasierte Epidemiemodelle um 10.000×

Eine neue Methode namens ABM‑UDE nutzt Universal Differential Equations (UDE), um agentenbasierte Epidemiemodelle (ABMs) in Sekunden zu rep…

arXiv – cs.LG 26.02.2026 05:00

Forschung

SGNO: Neuer Neural Operator stabilisiert lange PDE‑Rollouts

Forscher haben einen neuen Neural Operator namens SGNO vorgestellt, der lange Rollouts von partiellen Differentialgleichungen (PDEs) stabil…

arXiv – cs.LG 24.02.2026 05:00

Forschung

Neues Mapping-Konzept verbessert PINN-Training bei komplexen PDEs

Wissenschaftler haben ein innovatives Mapping-Paradigma entwickelt, das die Eingabekoordinaten von physikinformierten neuronalen Netzen (…

arXiv – cs.LG 19.02.2026 05:00

Forschung

Neuer Ansatz: Lie‑Gruppenbasierte Latent‑Dynamik senkt Fehler von neuronalen Operatoren um bis zu 50 %

Neurale Operatoren haben die Lösung von partiellen Differentialgleichungen revolutioniert, indem sie auf Daten basierende, resolutionsunabh…

arXiv – cs.LG 19.02.2026 05:00

Forschung

Neural Operators lernen effizienter dank fundamentaler Physikkenntnisse

In den letzten Jahren hat die wissenschaftliche maschinelle Lernforschung (SciML) Neural Operators (NOs) zu leistungsstarken Ersatzmodellen…

arXiv – cs.LG 18.02.2026 05:00

Forschung

DiffusionRollout: Unsicherheitsbewusste Rollout-Planung für PDEs

Wissenschaftler haben DiffusionRollout vorgestellt, eine neue Strategie zur selektiven Rollout-Planung für autoregressive Diffusionsmodelle…

arXiv – cs.AI 17.02.2026 05:00

Forschung

<p>Latent Generative Solvers: Zuverlässige Langzeit-Physiksimulationen</p> <p>Forscher haben einen neuen Ansatz entwickelt, der die Simulation von physikalischen Systemen über lange Zeiträume hinweg deutlich verbessert. Der sogenannte Latent Generative Solver (LGS) arbeitet in zwei Schritten: Zunächst werden unterschiedliche Zustände von partiellen Differentialgleichungen (PDEs) in einen gemeinsamen latenten Raum überführt, der von einem vortrainierten Variational Autoencoder (VAE) bereitgestellt wird. Ansc

arXiv – cs.AI 13.02.2026 05:00

Forschung

Neuro-Symbolische Multitasking-Methodik liefert interpretierbare PDE-Lösungen

Das Lösen partieller Differentialgleichungen (PDEs) ist ein zentrales Thema in vielen naturwissenschaftlichen und ingenieurtechnischen Bere…

arXiv – cs.AI 13.02.2026 05:00

Forschung

Neues KI-Modell: ODE-basierte Netzwerke für intervalle-censierte Zeitdaten

Ein neues Forschungsprojekt präsentiert ICODEN, ein neuronales Netzwerk, das gewöhnliche Differentialgleichungen nutzt, um die Hazard-Funkt…

arXiv – cs.LG 12.02.2026 05:00

Forschung

Physikbasierte Konsistenzmodelle stabilisiert – Trainingsmethode senkt Rechenaufwand

Ein neues Framework für die Lösung partieller Differentialgleichungen (PDEs) nutzt physikbasierte Konsistenzmodelle, um in wenigen Schritte…

arXiv – cs.LG 11.02.2026 05:00

Forschung

Feature‑Lernen vs. -Verlernen: Neue Analyse von neuronalen Netzen

In einer kürzlich veröffentlichten Studie wird das Phänomen des Feature‑Verlernens – also das allmähliche Vergessen von zuvor erlernten Mer…

arXiv – cs.LG 10.02.2026 05:00

Forschung

Neural Operators meistern Randbedingungen durch lernbasierte Verlängerungen

Neural Operators, die als leistungsstarke Ersatzmodelle für die Lösung partieller Differentialgleichungen gelten, stoßen bislang an ihre Gr…

arXiv – cs.LG 06.02.2026 05:00

Forschung

Physik als induktiver Bias für kausale Entdeckung in dynamischen Systemen

In einer neuen Studie wird gezeigt, wie physikalisches Wissen als induktiver Bias in die kausale Entdeckung eingebunden werden kann. Der An…

arXiv – cs.LG 06.02.2026 05:00

Forschung

TensorGalerkin: Revolutionärer, GPU‑schneller Galerkin‑Algorithmus für PDEs

Ein neues, einheitliches Framework für die numerische Lösung, die konstrahierte Optimierung und das physikbasierte Lernen von partiellen Di…

arXiv – cs.LG 06.02.2026 05:00

Forschung

Phaedra: Neue Tokenisierung für hochpräzise physikalische Simulationen

Ein neues arXiv‑Paper präsentiert Phaedra, eine Tokenisierungsmethode, die speziell für die hochpräzise Verarbeitung von physikalischen Dat…

arXiv – cs.AI 05.02.2026 05:00

Forschung

Neues probabilistisches Modell löst hochfrequente Helmholtz-Gleichungen zuverlässig

Ein neues Forschungsprojekt aus dem Bereich der künstlichen Intelligenz präsentiert einen probabilistischen Ansatz zur Lösung hochfrequente…

arXiv – cs.LG 05.02.2026 05:00

Forschung

Maschinelles Lernen macht mechanistische Modelle zu Prognosewerkzeugen

In einer bahnbrechenden Veröffentlichung auf arXiv haben Forscher gezeigt, wie klassische mechanistische Modelle durch den Einsatz von masc…

arXiv – cs.LG 05.02.2026 05:00

Forschung

naPINN: Rauschresistente PINNs rekonstruieren Modelle trotz korrupten Messdaten

Die neu entwickelte Methode naPINN (Noise‑Adaptive Physics‑Informed Neural Network) setzt neue Maßstäbe für die Analyse von Messdaten, die…

arXiv – cs.LG 04.02.2026 05:00

Forschung

Neue SDE‑Parameter schätzen ohne Zeitstempel: Neue Rekonstruktionsmethode

In den letzten Jahren haben stochastische Differentialgleichungen (SDEs) die Modellierung komplexer dynamischer Systeme in Bereichen wie Fi…

arXiv – cs.LG 29.01.2026 05:00

Forschung

NeuraLSP: Neuronaler Präconditioner beschleunigt CG-Methoden um bis zu 53 %

In der numerischen Lösung von partiellen Differentialgleichungen (PDEs) spielt die effiziente Behandlung großer, spärlicher linearer System…

arXiv – cs.LG 29.01.2026 05:00

Forschung

NewPINNs: neuronale Netze mit klassischen Solvern für PDEs

Ein neues Lernframework namens NewPINNs verbindet neuronale Netze mit etablierten numerischen Solvern, um partielle Differentialgleichungen…

arXiv – cs.LG 27.01.2026 05:00

Forschung

Neues Papier vereint PINNs und Neural Operators zur PDE‑Lösung

Ein kürzlich auf arXiv veröffentlichtes Papier mit der Referenz arXiv:2601.14517v1 präsentiert einen einheitlichen Rahmen für die beiden fü…

arXiv – cs.LG 22.01.2026 05:00

Forschung

PTL-PINNs: Schnellere, präzisere Lösung nichtlinearer Differentialgleichungen

Ein neues Verfahren namens PTL‑PINN (Perturbation‑Guided Transfer Learning with Physics‑Informed Neural Networks) verspricht, die Lösung ni…

arXiv – cs.LG 21.01.2026 05:00

Forschung

Neues Operator‑Lernverfahren nutzt nur Randdaten und fundamentale Lösungen

Ein neues neuronales Lernverfahren für lineare partielle Differentialgleichungen nutzt ausschließlich Randdaten – Lösungswerte und Normaldi…

arXiv – cs.LG 19.01.2026 05:00

Finde Modelle, Firmen und Themen

PDE-Foundation-Model beschleunigt Parameterbestimmung in ICF

Flowers: Neuronales Modell für PDEs ohne Fourier- oder Convolution-Methoden

Neurale Operatoren: Zuverlässiger Umgang mit Funktionen außerhalb des Trainings

TENG-BC: Neural PDE Solver mit hoher Präzision bei zeitabhängigen Gleichungen

Neurale Operatoren entdecken funktionale Cluster – neue Theorie und Praxis

Neues Feldtheoretisches Gedächtnis für KI-Agenten: Kontinuierliche Kontextdynamik

UDE-basierte Surrogates beschleunigen Agentenbasierte Epidemiemodelle um 10.000×

SGNO: Neuer Neural Operator stabilisiert lange PDE‑Rollouts

Neues Mapping-Konzept verbessert PINN-Training bei komplexen PDEs

Neuer Ansatz: Lie‑Gruppenbasierte Latent‑Dynamik senkt Fehler von neuronalen Operatoren um bis zu 50 %

Neural Operators lernen effizienter dank fundamentaler Physikkenntnisse

DiffusionRollout: Unsicherheitsbewusste Rollout-Planung für PDEs

Neuro-Symbolische Multitasking-Methodik liefert interpretierbare PDE-Lösungen

Neues KI-Modell: ODE-basierte Netzwerke für intervalle-censierte Zeitdaten

Physikbasierte Konsistenzmodelle stabilisiert – Trainingsmethode senkt Rechenaufwand

Feature‑Lernen vs. -Verlernen: Neue Analyse von neuronalen Netzen

Neural Operators meistern Randbedingungen durch lernbasierte Verlängerungen

Physik als induktiver Bias für kausale Entdeckung in dynamischen Systemen

TensorGalerkin: Revolutionärer, GPU‑schneller Galerkin‑Algorithmus für PDEs

Phaedra: Neue Tokenisierung für hochpräzise physikalische Simulationen

Neues probabilistisches Modell löst hochfrequente Helmholtz-Gleichungen zuverlässig

Maschinelles Lernen macht mechanistische Modelle zu Prognosewerkzeugen

naPINN: Rauschresistente PINNs rekonstruieren Modelle trotz korrupten Messdaten

Neue SDE‑Parameter schätzen ohne Zeitstempel: Neue Rekonstruktionsmethode

NeuraLSP: Neuronaler Präconditioner beschleunigt CG-Methoden um bis zu 53 %

NewPINNs: neuronale Netze mit klassischen Solvern für PDEs

Neues Papier vereint PINNs und Neural Operators zur PDE‑Lösung

PTL-PINNs: Schnellere, präzisere Lösung nichtlinearer Differentialgleichungen

Neues Operator‑Lernverfahren nutzt nur Randdaten und fundamentale Lösungen

🍪 Cookie-Einstellungen

Neuer Ansatz: Lie‑Gruppenbasierte Latent‑Dynamik senkt Fehler von neuronalen Operatoren um bis zu 50 %

Feature‑Lernen vs. -Verlernen: Neue Analyse von neuronalen Netzen

NeuraLSP: Neuronaler Präconditioner beschleunigt CG-Methoden um bis zu 53 %