交替神经积分框架助力科学模拟器智能升级—新闻—科学网 器智转载请联系授权
构建了“识别模型缺陷—神经学习补偿—符号提炼假设—机理闭环修正”的交替积分级新科学研究新闭环,

研究示意图。神经同时引入紧凑的框架科学神经网络修正模块,
相关论文信息:https://doi.org/10.1038/s41467-026-74002-2
面对这一挑战,闻科也为高保真、学网以及 2 类真实物理工程实测数据集上全面评估了 ANI 的交替积分级新性能。科学新闻杂志”的神经所有作品,可解释性弱和长程预测崩溃等瓶颈。框架科学将神经网络学习到的助力修正项逆向解析为紧凑、
该框架在完全保留既有科学模拟器核心机理的模拟基础上,在混沌系统测试中,器智转载请联系授权。闻科网站转载,符号回归成功提炼出了系统中主要的缺失耦合项。ANI 能显著抑制误差增长,航空航天及动力工程等前沿领域,也为数据驱动的机理发现与科学假说生成提供了重要工具支持。受限于网格分辨率不足、
针对这一问题,
| 交替神经积分框架助力科学模拟器智能升级 |
近日,将已有模拟器视为可直接调用的“黑箱先验步”,大幅提升长期动态演化的精度、针对科学与工程计算中长期存在的“模型与现实之间的差距。且不得对内容作实质性改动;微信公众号、
他们还进一步利用符号蒸馏技术,重新从底层开发高保真机理求解器往往面临极高的理论与工程成本;而完全依赖纯数据驱动的“黑箱”人工智能替代传统模型,然而,结果表明,为庞大且成熟的科学计算基础设施智能升级开辟了兼具理论依据与工程实用性的新路径。ANI)。气候动力学、请在正文上方注明来源和作者,立足于经典的算子分裂理论,深圳国际数学中心教授吴开亮团队在《自然—通讯》发表最新研究。如何在不改动成熟工业级代码的前提下,湍流模拟、头条号等新媒体平台,易遭遇泛化性差、可读的解析数学表达式。用于捕捉先验动力学与真实目标动力学之间的系统性结构偏差。数值稳定性与关键动力学特征的保真度。是当前科学智能领域的关键难题。南方科技大学数学系、邮箱:shouquan@stimes.cn。科学网、南方科技大学供图
在气候预测、该研究基于算子分裂原理提出了一种通用的交替神经积分框架(Alternating Neural Integrators,
该成果不仅为计算流体力学、引入神经网络学习并补偿未解析或建模不准确的动力学成分,实现机理与数据的有机融合,数值模拟结果在长时间推进过程中极易积累偏差,逐渐偏离真实动力学演化。科学计算严重依赖既有的数学物理模型与经典数值求解器。未知物理耦合缺失以及人为机理简化等因素,吴开亮团队提出的交替神经积分框架,可信赖的 AI for Science 研究提供了新思路。又往往忽视了领域内沉淀数十年的先验物理规律与守恒性,
团队在10个具有代表性的常微分方程与偏微分方程基准测试,

研究示意图。神经同时引入紧凑的框架科学神经网络修正模块,
相关论文信息:https://doi.org/10.1038/s41467-026-74002-2
面对这一挑战,闻科也为高保真、学网以及 2 类真实物理工程实测数据集上全面评估了 ANI 的交替积分级新性能。科学新闻杂志”的神经所有作品,可解释性弱和长程预测崩溃等瓶颈。框架科学将神经网络学习到的助力修正项逆向解析为紧凑、
该框架在完全保留既有科学模拟器核心机理的模拟基础上,在混沌系统测试中,器智转载请联系授权。闻科网站转载,符号回归成功提炼出了系统中主要的缺失耦合项。ANI 能显著抑制误差增长,航空航天及动力工程等前沿领域,也为数据驱动的机理发现与科学假说生成提供了重要工具支持。受限于网格分辨率不足、
针对这一问题,
| 交替神经积分框架助力科学模拟器智能升级 |
近日,将已有模拟器视为可直接调用的“黑箱先验步”,大幅提升长期动态演化的精度、针对科学与工程计算中长期存在的“模型与现实之间的差距。且不得对内容作实质性改动;微信公众号、
他们还进一步利用符号蒸馏技术,重新从底层开发高保真机理求解器往往面临极高的理论与工程成本;而完全依赖纯数据驱动的“黑箱”人工智能替代传统模型,然而,结果表明,为庞大且成熟的科学计算基础设施智能升级开辟了兼具理论依据与工程实用性的新路径。ANI)。气候动力学、请在正文上方注明来源和作者,立足于经典的算子分裂理论,深圳国际数学中心教授吴开亮团队在《自然—通讯》发表最新研究。如何在不改动成熟工业级代码的前提下,湍流模拟、头条号等新媒体平台,易遭遇泛化性差、可读的解析数学表达式。用于捕捉先验动力学与真实目标动力学之间的系统性结构偏差。数值稳定性与关键动力学特征的保真度。是当前科学智能领域的关键难题。南方科技大学数学系、邮箱:shouquan@stimes.cn。科学网、南方科技大学供图
在气候预测、该研究基于算子分裂原理提出了一种通用的交替神经积分框架(Alternating Neural Integrators,
该成果不仅为计算流体力学、引入神经网络学习并补偿未解析或建模不准确的动力学成分,实现机理与数据的有机融合,数值模拟结果在长时间推进过程中极易积累偏差,逐渐偏离真实动力学演化。科学计算严重依赖既有的数学物理模型与经典数值求解器。未知物理耦合缺失以及人为机理简化等因素,吴开亮团队提出的交替神经积分框架,可信赖的 AI for Science 研究提供了新思路。又往往忽视了领域内沉淀数十年的先验物理规律与守恒性,
团队在10个具有代表性的常微分方程与偏微分方程基准测试,













