.png){kind=icon}
返回
An attention-based spatio-temporal neural operator for evolving physics
.png){kind=icon}
OA
AI
DOI：10.1088/2632-2153/ae1277.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在科学机器学习（SciML）中，一个关键挑战是学习未知的、演变的物理过程，并在时空尺度上做出预测。例如，在现实世界的制造问题（如增材制造）中，用户调整已知的机器设置，而未知的环境参数同时波动。为了做出可靠的预测，期望模型不仅能从数据中捕捉长距离时空交互，还能适应新的和未知的环境；传统机器学习模型擅长前者任务，但通常缺乏物理可解释性，且在变化的环境条件下难以泛化。为应对这些挑战，我们提出了基于注意力的时空神经网络算子（ASNO），这是一种新型架构，结合了用于空间和时交互的可分离注意力机制，并能适应未见的物理参数。受反向微分公式的启发，ASNO学习一个用于时预测和外推的Transformer，以及一个用于处理变化外部载荷的基于注意力的神经网络算子，通过隔离历史状态贡献和外部力来增强可解释性，从而实现潜在物理定律的发现和对未见物理环境的泛化。在SciML基准上的实验结果表明，ASNO优于现有模型，确立了其在工程应用、物理发现和可解释机器学习方面的潜力。
期刊
M
IF:
0
论文数:
116
被引数:
0
机构
引用论文
An optimization-centric review on integrating artificial intelligence and digital twin technologies in manufacturingKarkaria, V.; Ying-Kuan, T.; Yi-Ping, C.; Chen, W. 以优化为核心的人工智能与数字孪生技术在制造业中的集成综述。工稈优化. 2025, 57, 161–207. [Google Scholar] [CrossRef]
PREAI
分享收藏Interpretable machine learning: Fundamental principles and 10 grand challenges可解释的机器学习: 基本原则和十大挑战.png)
STATISTICS SURVEYSOAAI
STATISTICS SURVEYSIF15.4
OAAI分享收藏A probabilistic graphical model foundation for enabling predictive digital twins at scale用于实现大规模预测数字双胞胎的概率图形模型基础
OAAI
OAAI分享收藏Statistical methodology: V. Time series analysis using autoregressive integrated moving average (ARIMA) models统计方法: V。使用自回归积分移动平均 (ARIMA) 模型进行时间序列分析OAAI
OAAI分享收藏分享收藏SSNO: Spatio-Spectral Neural Operator for Functional Space Learning of Partial Differential EquationsSSNO: 用于偏微分方程的函数空间学习的空间谱神经算子IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Efficient GPU-accelerated thermomechanical solver for residual stress prediction in additive manufacturing用于增材制造中残余应力预测的高效GPU加速热机械求解器
PREAI
分享收藏
查看更多内容