Computación analógica moderna: ecuaciones diferenciales y matriciales
Descubre cómo la computación analógica moderna resuelve ecuaciones diferenciales y matriciales. Aplicaciones clave en IA y computación científica.
#ecuaciones
Flujo Equivariante para Problemas de Bifurcación con Ruptura de Simetría
Descubre cómo el flujo equivariante con IA modela bifurcaciones con ruptura de simetría, capturando múltiples soluciones estables en sistemas físicos.
Reducción de orden cuadrático con procesos gaussianos para sistemas dinámicos
Nuevo marco GP-ODE con reducción de orden cuadrático para pronosticar sistemas dinámicos con incertidumbre cuantificada. Supera a métodos ROM tradicionales.
Cómo corregir errores de ortografía en Word causados por ecuaciones
Aprende dos métodos para evitar que Word marque palabras como errores ortográficos al usar ecuaciones. Solución práctica y rápida.
SirenFNO: Aprendizaje eficiente de frecuencias completas en FNO
SirenFNO elimina el truncamiento de frecuencias en FNO, logrando reducción de parámetros de hasta 73x. Aprende frecuencias completas de forma eficiente.
Difusión guiada por el principio de mínima acción en extrapolación física
Descubre LAPG: difusión guiada por mínima acción para extrapolación física, reduciendo deriva y preservando dinámicas.
HAMNO: Operador Neuronal Jerárquico Adaptativo Multiescala para Sistemas Dinámicos
Descubre HAMNO, un operador neuronal multiescala que combina convoluciones locales y operadores espectrales para predecir sistemas dinámicos complejos con precisión y estabilidad.
Cotas de error a posteriori para PINNs: inferiores y superiores
Descubre cómo obtener cotas de error inferiores y superiores a posteriori para PINNs en ecuaciones diferenciales. Certificación rigurosa.
Aprendizaje activo para descubrimiento de modelos en datos ultra-bajos
Descubre el método de aprendizaje activo con E-SINDy para descubrir modelos dispersos en sistemas dinámicos con datos ultra-bajos. Eficiente y preciso.
HAMNO: Operador Neural Jerárquico Adaptativo Multi-escala con Física Informada
Descubre HAMNO: un operador neural jerárquico que mejora la precisión y estabilidad en simulaciones de sistemas dinámicos con física informada.
Método adjunto vs PINNs: problemas inversos con EDP
Comparación justa entre método adjunto y PINNs en problemas inversos gobernados por EDP. Descubre cuándo usar cada técnica y cómo la estrategia híbrida PINN-adjunto reduce costos.
Aprendizaje de operadores en contexto con Chain of Operators
Descubre CHOP: un marco que potencia modelos ICON para generalizar a operadores fuera de distribución sin reentrenar, reduciendo errores de inferencia.
AutoPDE: Solución Confiable de PDEs con Estrategias Explícitas
AutoPDE: agente IA que separa estrategia numérica del código. Resuelve PDEs de forma confiable con métodos explícitos.
Marco adaptativo para magnetosfera de púlsares con redes Kolmogorov-Arnold
Descubre las redes Kolmogorov-Arnold que mejoran precisión y rapidez en simulaciones de magnetosfera de púlsares, reduciendo errores y tiempo de entrenamiento.
Cierre multifidelidad con incertidumbre vía flujos normalizantes condicionales
Mejora la precisión de modelos reducidos con flujos normalizantes condicionales, midiendo incertidumbre en cierre multifidelidad. Aplicación a Navier-Stokes.
Muestreo activo generativo para entrenar sustitutos PDE en línea
Descubre cómo OGAS mejora el entrenamiento de sustitutos PDE al enfocarse en casos difíciles, reduciendo errores extremos y dispersión sin sobrecarga computacional.
GENERIC-FNO: Conservación de energía y entropía en FNO
Descubre cómo GENERIC-FNO integra conservación de energía y entropía en operadores neurales de Fourier, revolucionando la simulación termodinámica.
GENERIC-FNO: Conservación de energía y producción de entropía en operadores neurales de Fourier
Descubre cómo GENERIC-FNO logra precisión de máquina en la preservación de leyes termodinámicas, superando a modelos previos en PDEs complejas.
Aprendizaje de operadores para Fokker-Planck con condiciones iniciales
Optimiza la simulación de procesos estocásticos con flujos normalizantes y PINNs para ecuaciones de Fokker-Planck.
Regresión Neuro-Simbólica Descomponible: Modelos Interpretables
Descubre cómo la regresión neuro-simbólica combina transformers y algoritmos genéticos para crear modelos interpretables que revelan ecuaciones ocultas.