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

E. Bugaev; F. Buzaev; D. Efremenko; D. Derkach; F. Ratnikov

doi:10.48550/arXiv.2606.17659

АБВ
АБВ
АБВ

Обычная версия сайта

Приоритетные направления

по году

Тематика

Новости

6 октября 2026 г.

Пользователи теряют выгоду от ограничения сбора и обработки персональных данных

Экономист НИУ ВШЭ c помощью микроэкономической модели показала, что чрезмерно строгие ограничения на сбор и обработку персональных данных приносят пользователям больше вреда, чем пользы. Статья опубликована в журнале «Вопросы экономики».

5 октября 2026 г.

«Среди детей с задержкой развития устной речи 40% сталкиваются с трудностями при чтении и письме»

5 октября — День осведомленности о дислексии. С этим нарушением чтения, по разным оценкам, сталкиваются от 5 до 20% людей. В Центре языка и мозга НИУ ВШЭ не только изучают дислексию, но и создают цифровые инструменты для логопедов и нейропсихологов — «ЛексиМетр», «ЗАРЯ», «КОРАБЛИК» и другие, а родителям объясняют, как вовремя заметить трудности. Старший научный сотрудник центра Светлана Дорофеева рассказала, как отличить дислексию от лени и что на самом деле помогает.

2 октября 2026 г.

В НИУ ВШЭ обсудили этические границы взаимодействия человека и антропоморфного робота

В Высшей школе экономики состоялся экспертный семинар Центра этики и онтологии роботов Института робототехнических систем (ИРС), посвященный разработке практических требований к проектированию и безопасному внедрению антропоморфных роботов. Участники обсудили, как перевести этические принципы в технические параметры, протоколы проверки и требования к эксплуатации робототехнических систем.

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

Публикации

?

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., Деркач Д. А., Ратников Ф. Д.

Язык: английский

DOI

Ключевые слова: Physics Informed Neural Networks

В книге

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

[б.и.], 2026.

Relative Position Biases for Transformer PINNs

Бузаев Ф. А., Andrei Ermakov, Ivanova M. и др., , in: AI & PDE: ICLR 2026 Workshop on AI and Partial Differential Equations.: [б.и.], 2026.

Добавлено: 24 июня 2026 г.

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.

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.