标签：科学机器学习

通用科学ML

SHRAV 是一个架构无关的计算框架，通过状态延续核心实现物理建模与逆向设计的可复用计算，适用于物理场预测与数值求解。

通用科学ML

PDE-OBS 基准测试的数值解数据集，涵盖 Darcy、Poisson、Helmholtz 等七族偏微分方程的完整计算结果，供科学机器学习模型评估使用。

Materials

揭示Δ-learning中残差尺度与可学习性之间的复杂关系，指出分子图神经网络在总能量目标上的评估表明，小残差目标未必带来更好的学习效果。

通用科学ML

基于流形函数编码器的 PDE 神经算子求解器，内存占用与数据分辨率解耦，支持任意形式PDE输入，适合大规模物理仿真。

ScientificML

PDE 代理模型任务的基准数据集，属于 ai4sci-tasks 评测体系，包含训练轨迹与评估分割，用于验证神经算子与代理模型方法的性能。

ScientificML

LPINNs 通过在标准密集 PINN 首层隐藏激活上引入输入依赖的局部化函数，为首层单元赋予感受野，以改善长域和高阶算子的优化难题，无需域分割或额外界面损失。

通用科学ML

研究利用人工神经网络构建黑盒优化的代理模型，在无法获得解析函数描述时，通过数值模拟获取目标函数值进行高效优化。

通用科学ML

提出分数阶傅里叶神经算子（FrFNO），通过嵌入解析Mittag-Leffler传播子解决分数阶PDE的内存依赖与非线性耦合难题，实现高效代理建模。

通用科学ML

提出三重可扩展的等变高斯过程方法，在编码对称性的同时保持概率预测与不确定性量化能力，适用于大规模科学计算问题。

通用科学ML

提出基于Transformer学习符号常微分方程的结构化表示，保持交换性以支持符号形式数学推理，区别于依赖数值拟合的传统方法。

ScientificML

提出GravINNs框架，将后牛顿运动方程直接嵌入训练过程，学习双星轨道动力学，涵盖保守动力学单轨代理模型与四维参数空间扩展。

通用科学ML

提出PosteriorBench基准，针对科学逆问题中生成式求解器的后验分布匹配能力进行评估，弥补了点估计指标的不足。

通用科学ML

基于U-Net架构的36M参数偏微分方程（PDE）神经网络求解器模型，支持PDE系统的数据驱动求解与预测

通用科学ML

洛斯阿拉莫斯国家实验室开源的36M参数UNet架构偏微分方程求解器v2版本，用于科学计算中的PDE代理建模。

ScientificML

HuggingFace 平台上的偏微分方程插值相关数据集，支持物理建模与机器学习交叉研究。

通用科学ML

面向偏微分方程符号候选解的带溯源验证基准，含20条记录及生成器输出、验证案例与人类注释，用于评估符号求解器的可靠性。

ScientificML

提出ADEx-FNO框架，通过环境域嵌入与符号距离函数表示，将傅里叶神经算子扩展至任意离散化和变几何场景，无需修改核心傅里叶层结构。

CFD/计算流体力学

面向神经PDE求解器的综合基准数据集，包含六个标准任务，覆盖规则网格、结构网格和不规则几何体，用于ICML 2024论文Transolver的统一评估。配套标准化 train/test 切分与基线模型评测脚本，可直接用于学术论文公平对比。

ScientificML

提出自适应记忆门控机制，让神经算子根据观测条件动态调整内存权重，提升时间依赖PDE求解的适应性。

ScientificML

提出自适应算子变换（AOT）方法解决多PDE预训练中解算子结构多样性问题，通过对目标解算子而非模型容量进行适配，提升神经算子在跨方程任务中的泛化能力。

神经算子

基于神经算子的预测模型，针对采样测量场景设计，托管于HuggingFace的机器学习工具。模型专为稀疏传感器测点设计，将神经算子映射到任意坐标 query，适合工业现场部署。

通用科学ML

博尔扎诺大学 PhD 课程讲义，系统讲解 PINN 与神经算子原理，附 PyTorch 从零实现教程。