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.
#superresolución
Reformulación de Operadores Neuronales para Evolución de Embeddings en d+1
Reformulación de operadores neuronales en d+1 para mejorar la evolución de embeddings. Menor error en benchmarks como calor y Rayleigh-Taylor.
Operadores neuronales en d+1 dimensiones para evolución de embeddings
Descubre cómo una dimensión auxiliar en operadores neuronales mejora precisión en benchmarks de dinámica, logrando menor error L2 y generalización zero-shot.
Marco diferenciable para inversión completa y sin fase con redes neuronales
Marco diferenciable con redes neuronales implícitas mejora inversión completa y sin fase, ofreciendo precisión y robustez incluso con mediciones ruidosas.
Transformer de Física Adaptativa para Sistemas de Energía Subterránea
El APT fusiona atención global-local para simular sistemas subterráneos con alta precisión y supera modelos previos. ¡Descúbrelo!
¿Es posible la superresolución zero-shot en aprendizaje de operadores?
¿Es posible la superresolución zero-shot en aprendizaje de operadores? Este estudio teórico revela condiciones y límites. ¡Descubre cuándo funciona y cuándo no!
Sesgo Neuronal Implícito Factorizado en Superresolución con FlashAttention
RIB permite FlashAttention en SR Transformers, logrando ventanas de 96x96, 2.1x menos entrenamiento y 2.9x menos inferencia. Alcanza 35.63 dB PSNR en Urban100.