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

АБВ
АБВ
АБВ

Обычная версия сайта

Приоритетные направления

по году

Тематика

26 июня 2026 г.

«Культурологи пытаются увидеть, что скрывается за поверхностью обычных вещей»

Максим Жиганов много лет исследует разные стороны звука — сначала в привязке к своей родной Перми, а затем в более глобальных масштабах. В интервью проекту «Молодые ученые Вышки» он рассказал о звуковых картах, тематическом номере журнала «Логос» и о том, зачем делать привычное менее понятным и очевидным.

26 июня 2026 г.

В НИУ ВШЭ разработали приложение для диагностики фонологической обработки у детей

Специалисты Центра языка и мозга НИУ ВШЭ представили новый цифровой инструмент для оценки навыков фонологической обработки у детей — батарею тестов «ЗАРЯ» («Звуковой анализ русского языка»). Это первое в России стандартизированное приложение, позволяющее быстро и надежно выявлять нарушения способности различать звуки речи, удерживать их в оперативной памяти и проводить фонематический анализ. Программа работает на планшетах и смартфонах с операционной системой Android, доступна для скачивания в RuStore. Детали валидации теста опубликованы в Journal of Speech, Language, and Hearing Research.

24 июня 2026 г.

Древняя чашекрания - новый вид брахиопод с необычной формой раковины и образом жизни

Российские ученые из Высшей школы экономики, МГУ имени М.В. Ломоносова и Таллинского технического университета изучили ископаемый вид древних брахиопод (плеченогих), который обитал в теплом море на севере современной Эстонии более 445 миллионов лет назад. Древняя брахиопода росла в форме чашки со «шляпкой», чтобы защититься от зарастания. Исследование опубликовано в журнале Palaeogeography, Palaeoclimatology, Palaeoecology.

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

Публикации

?

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

Хассан Я. Н., Ефременко Д. С., Бузаев Ф. А., Деркач Д. 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.

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.

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.