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.
#modelos sustitutos
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.
MENO: Operadores Neurales Mejorados con MeanFlow para Sistemas Dinámicos
Descubre MENO: el nuevo marco que mejora operadores neurales con MeanFlow para predicciones precisas en sistemas dinámicos, con hasta 14x más rapidez que DDIM.
Asimilación de datos continua con dinámica sustituta aprendida
Mejora la asimilación de datos continua con modelos sustitutos de IA. Reduce error de modelo y asegura convergencia exponencial. Ideal para sistemas dinámicos.
Uso de machine learning para emular simulaciones de trombectomía mecánica
Descubre cómo el machine learning acelera las simulaciones de trombectomía mecánica, permitiendo decisiones más rápidas en el tratamiento del ictus isquémico.
Operadores Neuronales de Haces Celulares para Modelado de PDEs con Restricciones
Operadores Neuronales de Haces Celulares ofrecen modelado sustituto de PDE con restricciones, preservando estructura para simulaciones en MHD y fusión.
Reducción de Malla Informada por Física para Redes Neuronales Grafo Multigrid
Coarsening informado por física mejora precisión y estabilidad en redes neuronales grafo multigrid para sólidos deformables. ¡Optimiza!