Incertidumbre en estructuras con caos polinomial y aprendizaje activo
Optimiza la cuantificación de incertidumbre en estructuras de ingeniería usando aprendizaje activo y caos polinomial. ¡Mejora tus modelos sustituto!
#modelos sustituto
Cuantificación de incertidumbre en estructuras con PCE y aprendizaje activo
Mejora la precisión de modelos sustitutos en ingeniería con expansión en caos polinomial y aprendizaje activo multivariante. Reduce costos computacionales.
Modelado generativo condicional gráfico para gemelos digitales
Descubre cómo el modelado generativo identifica variables clave en gemelos digitales, reduciendo complejidad y creando sustitutos interpretables para control.
Gemelos Latentes Conformes a la Física
Descubre cómo los Gemelos Latentes Conformes a la Física garantizan que los modelos sustitutos respeten leyes de conservación, mejorando la precisión en
Compresión con pérdida en modelos sustitutos generativos de IA
Descubre cómo la compresión con pérdida reduce hasta 39x el almacenamiento y acelera 3x el entrenamiento de modelos generativos de IA, manteniendo la calidad.
REMAL: Aprendizaje Activo de Manifold Residual en Diseño Multidisciplinario
REMAL: aprendizaje activo para modelar superficies residuales en sistemas de ingeniería acoplados. Reduce costos en diseño multidisciplinario y optimización.
Métodos de Tensores: Enfoque Interpretable para Diseño de Materiales
Descubre cómo los métodos de tensores ofrecen predicciones interpretables y precisas para el diseño de materiales, superando a modelos ML tradicionales en muestreos no uniformes.
Perspectiva de sistemas dinámicos para avanzar el modelado de series temporales
Descubre cómo los sistemas dinámicos mejoran el modelado de series temporales: pronósticos precisos y menor costo computacional.
Evaluación de sustitutos informados por física orientada a decisiones
Descubre pinn-gym, un benchmark para evaluar sustitutos informados por física con métricas de decisión, no solo error de curva. Ideal para diseño de materiales.
CoMetaPNS: Aprendizaje continuo meta para simulaciones cardíacas personalizadas
Descubre CoMetaPNS, un nuevo marco de meta-aprendizaje continuo que permite simulaciones cardíacas personalizadas sin olvido catastrófico. Ideal para entornos clínicos.
Optimización neural amortizada para integridad de señal en pre-layout
Descubre cómo la optimización neural amortizada acelera hasta 1000x el diseño de integridad de señal en pre-layout, pasando de días a milisegundos.
Aprendizaje multifidelidad con decodificadores superficiales en reactores
Los decodificadores recurrentes superficiales mapean modelos de baja fidelidad a alta fidelidad en reactores, reduciendo costes computacionales.
Modelos sustitutos causales multi-fidelidad para implosiones ICF
Descubre cómo los modelos sustitutos causales multi-fidelidad y el machine learning optimizan diseños en fusión por confinamiento inercial, acelerando descubrimientos y diagnósticos.
Validación y gobernanza multiagente para adaptación de modelos termohidráulicos
Descubre cómo un sistema multiagente con validación mejora un 19% la precisión de los modelos termohidráulicos, reduciendo errores en pronósticos dinámicos.
Corrigiendo el sesgo espectral en operadores neurales con difusión posterior
Corrige sesgo espectral en operadores neuronales usando difusión posterior y observaciones dispersas, logrando predicciones precisas con solo un 5% de cobertura.