
研究示意图。神经逐渐偏离真实动力学演化。框架科学结果表明,助力且不得对内容作实质性改动;微信公众号、模拟如何在不改动成熟工业级代码的器智前提下,引入神经网络学习并补偿未解析或建模不准确的闻科动力学成分,实现机理与数据的有机融合,
该成果不仅为计算流体力学、将神经网络学习到的修正项逆向解析为紧凑、
| 交替神经积分框架助力科学模拟器智能升级 |
近日,ANI)。吴开亮团队提出的交替神经积分框架,
团队在10个具有代表性的常微分方程与偏微分方程基准测试,未知物理耦合缺失以及人为机理简化等因素,科学新闻杂志”的所有作品,
针对这一问题,可读的解析数学表达式。转载请联系授权。同时引入紧凑的神经网络修正模块,
该框架在完全保留既有科学模拟器核心机理的基础上,数值模拟结果在长时间推进过程中极易积累偏差,
面对这一挑战,用于捕捉先验动力学与真实目标动力学之间的系统性结构偏差。符号回归成功提炼出了系统中主要的缺失耦合项。立足于经典的算子分裂理论,航空航天及动力工程等前沿领域,将已有模拟器视为可直接调用的“黑箱先验步”,该研究基于算子分裂原理提出了一种通用的交替神经积分框架(Alternating Neural Integrators,为庞大且成熟的科学计算基础设施智能升级开辟了兼具理论依据与工程实用性的新路径。ANI 能显著抑制误差增长,深圳国际数学中心教授吴开亮团队在《自然—通讯》发表最新研究。
相关论文信息:https://doi.org/10.1038/s41467-026-74002-2
他们还进一步利用符号蒸馏技术,易遭遇泛化性差、因此,又往往忽视了领域内沉淀数十年的先验物理规律与守恒性,以及 2 类真实物理工程实测数据集上全面评估了 ANI 的性能。可解释性弱和长程预测崩溃等瓶颈。头条号等新媒体平台,湍流模拟、南方科技大学供图
在气候预测、