Suche nach PDE | meineki.news

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

Neuer Ansatz: Gaussian-Teilchen-Operator liefert interpretierbare PDE-Lösungen

Die Modellierung von PDE-Dynamiken für Flüssigkeiten hat sich in den letzten Jahren stark auf neuronale Operatoren und Transformer‑basierte…

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 ML-Framework löst komplexe Mehrmaterial-Mehrphysik-Optimierung

Maschinelles Lernen wird zunehmend für die Topologieoptimierung eingesetzt, doch bisherige Ansätze sind oft auf vereinfachte Testfälle besc…

arXiv – cs.LG 23.02.2026 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

CARE Drive: Bewertungsframework für Vision‑Language‑Modelle im autonomen Fahren

In der heutigen Ära der künstlichen Intelligenz (KI) hat die Entwicklung von KI-gesteuerten Chatbots die Art und Weise, wie Unternehmen mit…

arXiv – cs.AI 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

Neuer Swin-Transformer simuliert 3D-Turbulenz mit physikalischer Präzision

Die genaue Simulation turbulenter Strömungen ist für Forschung und Technik unverzichtbar. Während die direkte numerische Simulation (DNS) d…

arXiv – cs.AI 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

Transolver‑3: Skalierbare Transformer‑Solver für Industrie‑Skalen‑Geometrien

Deep‑Learning‑basierte PDE‑Solver haben die Modellierung komplexer physikalischer Prozesse revolutioniert. Doch die Anwendung dieser Verfah…

arXiv – cs.LG 06.02.2026 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

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

Neutrale Operatoren mit Diffusionsschicht: Unsicherheit zuverlässig quantifizieren

Neurale Operatoren haben sich als leistungsstarkes Paradigma etabliert, um diskretisierungunabhängige Abbildungen von Funktionen auf Funkti…

arXiv – cs.LG 05.02.2026 05:00

Forschung

ChipBench: Neuer Benchmark für LLMs im KI‑gestützten Chipdesign

In der Welt der Hardware‑Entwicklung zeigen große Sprachmodelle (LLMs) großes Potenzial, doch bisherige Benchmarks sind oft gesättigt und d…

arXiv – cs.AI 30.01.2026 05:00

Forschung

PHDME: Diffusionsmodelle ohne explizite Gleichungen – neue Methode für Datenknappheit

Ein neues Verfahren namens PHDME (Port‑Hamiltonian Diffusion Models) verspricht, die Zuverlässigkeit von Diffusionsmodellen in Situationen…

arXiv – cs.LG 30.01.2026 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

Spectral Filtering reduziert Fehler bei PDEs um 40 %

Neuer Neural Operator namens Spectral Filtering Operator (SFO) nutzt eine feste, globale orthogonale Basis, die aus den Eigenmoden der Hilb…

arXiv – cs.LG 27.01.2026 05:00

Forschung

LLM-gestützte Evolutionäre Codeoptimierung: PhyloEvolve revolutioniert GPU-Algorithmen

Ein neues Forschungsprojekt namens PhyloEvolve nutzt Künstliche Intelligenz, um wissenschaftliche Berechnungsalgorithmen für moderne GPUs a…

arXiv – cs.AI 22.01.2026 05:00

Forschung

Stabile Exponential-Integration für Gaussian‑Mixture‑BBVI: Neue Methode

Eine neue Technik für die Black‑Box‑Variationsinferenz (BBVI) mit Gaußschen Mischfamilien verspricht, komplexe Posteriorverteilungen effizi…

arXiv – cs.LG 22.01.2026 05:00

Forschung

Hybrid-Quantum-Regression: Vorverarbeitung und Curriculum verbessern Leistung

Ein neues hybrides Quantum‑Classical‑Regressionsmodell wurde vorgestellt, das die bisherige Schwäche von Quantum Neural Networks (QNNs) – d…

arXiv – cs.LG 21.01.2026 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

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

Neuer Ansatz: Gaussian-Teilchen-Operator liefert interpretierbare PDE-Lösungen

SGNO: Neuer Neural Operator stabilisiert lange PDE‑Rollouts

Neues ML-Framework löst komplexe Mehrmaterial-Mehrphysik-Optimierung

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

CARE Drive: Bewertungsframework für Vision‑Language‑Modelle im autonomen Fahren

DiffusionRollout: Unsicherheitsbewusste Rollout-Planung für PDEs

Neuro-Symbolische Multitasking-Methodik liefert interpretierbare PDE-Lösungen

Neuer Swin-Transformer simuliert 3D-Turbulenz mit physikalischer Präzision

Physikbasierte Konsistenzmodelle stabilisiert – Trainingsmethode senkt Rechenaufwand

Transolver‑3: Skalierbare Transformer‑Solver für Industrie‑Skalen‑Geometrien

Neural Operators meistern Randbedingungen durch lernbasierte Verlängerungen

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

Phaedra: Neue Tokenisierung für hochpräzise physikalische Simulationen

Neutrale Operatoren mit Diffusionsschicht: Unsicherheit zuverlässig quantifizieren

ChipBench: Neuer Benchmark für LLMs im KI‑gestützten Chipdesign

PHDME: Diffusionsmodelle ohne explizite Gleichungen – neue Methode für Datenknappheit

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

NewPINNs: neuronale Netze mit klassischen Solvern für PDEs

Spectral Filtering reduziert Fehler bei PDEs um 40 %

LLM-gestützte Evolutionäre Codeoptimierung: PhyloEvolve revolutioniert GPU-Algorithmen

Stabile Exponential-Integration für Gaussian‑Mixture‑BBVI: Neue Methode

Hybrid-Quantum-Regression: Vorverarbeitung und Curriculum verbessern Leistung

Neues Papier vereint PINNs und Neural Operators zur PDE‑Lösung

🍪 Cookie-Einstellungen

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

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

Spectral Filtering reduziert Fehler bei PDEs um 40 %