Relative Position Biases for Transformer PINNs

F. Buzaev; Andrei Ermakov; Ivanova M.; F. Ratnikov; D. Derkach; I. Makarov

АБВ
АБВ
АБВ

Обычная версия сайта

Приоритетные направления

по году

Тематика

Новости

30 июня 2026 г.

Аспирантка НИУ ВШЭ получила премию за выдающуюся научную статью

Международное научное общество по коллективному выбору и экономике благосостояния — Society for Social Choice and Welfare (SSCW) — присудило награду для молодых исследователей Ангелине Юдиной, аспирантке и преподавателю департамента математики ФЭН, младшему научному сотруднику Международного центра анализа и выбора решений НИУ ВШЭ. Ученые отметили ее статью, посвященную решениям задачи выбора наилучших альтернатив на основании результатов их попарных сравнений.

30 июня 2026 г.

«Я хотела бы, чтобы мои исследования помогали делать мир спокойнее и лучше»

Какую бы задачу ни решала младший научный сотрудник Лаборатории методов анализа больших данных Института искусственного интеллекта и цифровых наук ФКН ВШЭ Сараа Али, она думает, какую пользу она может принести людям. О своей большой семье, диагностике трехфазных двигателей и мечте построить на родине детский приют она рассказала проекту «Молодые ученые Вышки».

30 июня 2026 г.

Экономисты ВШЭ научились прогнозировать рождаемость по поисковым запросам

Сотрудники факультета экономических наук НИУ ВШЭ показали, что точность прогноза рождаемости в России можно улучшить почти в полтора раза, если добавить в модель динамику поисковых запросов по темам, связанным с беременностью и родами. В наиболее эффективных моделях ошибка прогноза снижается с 4,6 до 3,2%. Результаты исследования опубликованы в журнале Populations and Economics.

Нашли опечатку?
Выделите её, нажмите Ctrl+Enter и отправьте нам уведомление. Спасибо за участие!

Публикации

?

Relative Position Biases for Transformer PINNs

Бузаев Ф. А., Andrei Ermakov, Ivanova M., Ратников Ф. Д., Деркач Д. А., Макаров И. А.

Язык: английский

Ключевые слова: Physics Informed Neural Networks

В книге

AI & PDE: ICLR 2026 Workshop on AI and Partial Differential Equations

[б.и.], 2026.

Flow-Matching Sampling in Physics-Informed Neural Networks for PDEs with Sharp Source Terms

Хассан Я. Н., Ефременко Д. С., Бузаев Ф. А. и др., , in: AI & PDE: ICLR 2026 Workshop on AI and Partial Differential Equations.: [б.и.], 2026.

Добавлено: 24 июня 2026 г.

Physics-Constrained Neural Networks for Improved Short-Term Weather Forecasting: A Case Study over the South Pacific

Бугаев Е. П., Бузаев Ф. А., Ефременко Д. С. и др., , in: AI & PDE: ICLR 2026 Workshop on AI and Partial Differential Equations.: [б.и.], 2026.

Добавлено: 24 июня 2026 г.

Solution of the Multimode Nonlinear Schrödinger Equation Using Physics-Informed Neural Networks

Бузаев Ф. А., Чупров И. А., Ефременко Д. С. и др., Doklady Mathematics 2025

Добавлено: 28 апреля 2025 г.

Search for Optimal Architecture of Physics-Informed Neural Networks Using Differential Evolution Algorithm

F. A. Buzaev, D. S. Efremenko, I. A. Chuprov и др., Doklady Mathematics 2025 Vol. 110 P. S8–S14

The accuracy of solving partial differential equations using physics-informed neural networks (PINNs) significantly depends on their architecture and the choice of hyperparameters. However, manually searching for the optimal configuration can be difficult due to the high computational complexity. In this paper, we propose an approach for optimizing the PINN architecture using a differential evolution algorithm. ...

Добавлено: 28 апреля 2025 г.

Optimization of Physics-Informed Neural Networks for Solving the Nolinear Schrödinger Equation

Бузаев Ф. А., Чупров И. А., Ефременко Д. С., Doklady Mathematics 2023 Vol. 108 No. S2 P. S186–S195

Добавлено: 3 апреля 2024 г.

Оптимизация физико-информированных нейронных сетей для решения нелинейного уравнения Шредингера

Чупров И. А., Гао Ц., Ефременко Д. С. и др., Доклады Российской академии наук. Математика, информатика, процессы управления (ранее - Доклады Академии Наук. Математика) 2023 Т. 514 № 2 С. 28–38

Физико-информированные нейронные сети (Physics Informed Neural Networks – PINN) являются перспективным методом решения уравнений в частных производных с помощью машинного обучения. В работе рассмотрено применение PINN к нелинейному уравнению Шредингера для описания ...

Добавлено: 19 декабря 2023 г.

Hybrid acceleration techniques for the physics-informed neural networks: a comparative analysis

Бузаев Ф. А., Gao J., Ivan Chuprov и др., Machine Learning 2024 Vol. 113 No. 6 P. 3675 –3692

Добавлено: 19 декабря 2023 г.