社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

研究前沿:求解偏微分方程-机器学习 | Nature Computational Science

今日新材料 • 3 月前 • 116 次点击  
利用数值方法求解偏微分方程partial differential equations (PDEs) 是工程和医学中普遍存在的任务。然而,当评估多个几何图形上的偏微分方程PDE解决方案时,计算成本可能高得惊人。

今日,美国 约翰斯·霍普金斯大学(Johns Hopkins University)Minglang Yin,Natalia Trayanova & Mauro Maggioni等,在Nature Computational Science上发文,旨在通过引入微分同胚映射算子学习Diffeomorphic Mapping Operator Learning (DIMON)来解决这一挑战,DIMON是一种通用的人工智能框架,可以在各种几何上学习不同类型PDE,这取决于几何的解算子。

还给出了几个例子,以展示这一框架在参数化和非参数化领域中,学习静态和时间相关偏微分方程的性能、效率和可扩展性。其中包括解拉普拉斯方程、反应扩散方程和多尺度偏微分方程系统,这一系统描述了个性化数字孪生心脏的数千个电传播。DIMON可以用更少的计算资源,将多个几何上的解近似计算成本从数小时减少到数秒。

A scalable framework for learning the geometry-dependent solution operators of partial differential equations.

学习偏微分方程几何相关解算子的可扩展框架。


图1: 在DIMON微分同胚域上,学习偏微分方程的几何依赖解算子。

图2:在参数化的二维区域上,学习拉普拉斯方程的解算子DIMON。

图3: 参数二维区域上,反应扩散方程学习解算子DIMON。

图4: 预测患者特异性左心室left ventricles,LV上的电信号传播。

图5: 测试队列ATs和RTs网络预测。

图6: DIMON可扩展性。

文献链接

Yin, M., Charon, N., Brody, R. et al. A scalable framework for learning the geometry-dependent solution operators of partial differential equations. Nat Comput Sci (2024). 

https://doi.org/10.1038/s43588-024-00732-2

https://www.nature.com/articles/s43588-024-00732-2

本文译自Nature。

来源:今日新材料

声明:仅代表译者观点,如有不科学之处,请在下方留言指正!


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/176763
 
116 次点击