神经PDE求解器动力学保真度评估框架提出
Get the story
2026年10月7日，arXiv Machine Learning Theory（一手）发布论文，提出评估神经PDE求解器动力学保真度的框架。该框架通过演化邻近初始状态集合，并与直接数值模拟对比，检验确定性与随机性神经PDE求解器的误差形成、集合几何与极端事件。二维Kolmogorov流动实验显示：较低的轨迹误差可能源于较弱的误差放大，而非更准确的局部更新；模型可匹配集合整体扩展与有效维度，却漏掉邻近状态发散的空间方向；整体事件频率吻合也可能掩盖对持续极端事件的预测失败。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Machine Learning Theory神经 PDE 求解器是否学到了正确的动力学？
论文提出一个评估框架，通过演化邻近初始状态集合并与直接数值模拟对比，检验确定性与随机性神经 PDE 求解器的误差形成、集合几何与极端事件。在二维 Kolmogorov 流动实验中，较低的轨迹误差可能源于较弱的误差放大而非更准确的局部更新；模型可匹配集合整体扩展与有效维度，却漏掉邻近状态发散的空间方向；整体事件频率吻合也可能掩盖对持续极端事件的预测失败。
Heat trend
Current heat 9·Comparable peak 10（Oct 7）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.