arXiv cs.LG· Arthur Jessop, Mohammed Alsubeihi, Ben Moseley, Ashwin Kumar Rajagopalan·· 7 小时前AI 评分22
可微混合建模：从实验数据学习并优化化学传递过程
Differentiable Hybrid Modelling for Learning and Optimising Chemical Transport Processes from Experimental Data
AI 导读
研究者提出一种可微混合建模框架，将神经网络嵌入 GPU 加速的群体平衡方程求解器，直接从 13 组真实结晶实验数据中发现本构定律并同化初始条件。将测量初始条件视为精确值虽提升预测精度却得到物理不一致的速率定律，而同化初始条件可恢复物理一致的非线性定律，轨迹误差较传统建模降低七倍。端到端可微性还支持对 300 变量温度曲线进行梯度优化，在质量不变下将晶体长宽比降低 25%。
来源：arXiv cs.LG · arxiv.org