- 资讯公开站rss_arxiv_cs_ai
GeoWind2Plan：面向节能无人机规划的任务时3D城市风场预测
GeoWind2Plan: Mission-Time 3D Urban Wind Prediction for Energy-Efficient UAV Planning
在城市低空飞行中，建筑物将环境风重塑为空间变化的三维流场，使无人机（UAV）能耗不仅取决于路径长度，还取决于局部风暴露。然而，当任务必须规划时，建筑物分辨率的风场信息往往不可用。计算流体力学（CFD）可生成高保真城市流场，但每次仿真都绑定于固定的来流边界条件，且可能耗时数小时至数天，这与通常仅持续数分钟到数十分钟的城市无人机任务不兼容。我们提出 GeoWind2Plan，一个用于任务时三维城市风场预测与节能无人机规划的“几何—风场—规划…
- 论文公开站arXiv
惯性流形神经算子用于耗散时间相关偏微分方程
Inertial Manifold Neural Operator for Dissipative Time-Dependent Partial Differential Equations
本文提出惯性流形神经算子（IMNO），用于求解耗散时间相关偏微分方程。摘要显示，该算子利用耗散系统的低维结构，相比标准神经算子（如傅里叶神经算子）在长时间自回归训练和预测中具有更好的物理可解释性、准确性和稳定性。针对平移等变PDE，还提出了平移等变变体（IMNO-SE），通过保持对称性提升性能。
意义：为耗散PDE的长期预测提供更稳定、可解释的神经算子，并引入对称性保持的归纳偏置，对科学计算和AI4Science有重要意义。