基于物理信息的多模态基础模型求解偏微分方程

Research Paper#AI, PDEs, Foundation Models🔬 Research|分析: 2026年1月3日 19:17•
发布: 2025年12月28日 19:43
•
1分で読める
•ArXiv

分析

本文介绍了 PI-MFM，这是一个将物理知识直接集成到多模态基础模型中以求解偏微分方程 (PDE) 的新框架。 关键创新在于使用 PDE 的符号表示和 PDE 残差损失的自动组装，从而实现数据高效且可迁移的 PDE 求解器。 这种方法在标记数据有限或存在噪声的情况下特别有效，与纯粹的数据驱动方法相比，表现出显着的改进。 零样本微调能力是一项值得注意的成就，它允许快速适应未知的 PDE 系列。
引用 / 来源
查看原文
"PI-MFM consistently outperforms purely data-driven counterparts, especially with sparse labeled spatiotemporal points, partially observed time domains, or few labeled function pairs."
A
ArXiv2025年12月28日 19:43
* 根据版权法第32条进行合法引用。
较旧

Finding Quasars behind the Galactic Plane. IV. Candidate Selection from Chandra with Random Forest

较新

Reimagining the Traditional Flight Computer: E6BJA as a Modern, Multi-Platform Tool for Flight Calculations and Training

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv