Buchumschlag

Stabilizing Backpropagation Through Time to Learn Complex Physics

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Schnell, Patrick, Thuerey, Nils
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Symmetric Basis Convolutions for Learning Lagrangian Fluid Mechanics
von: Winchenbach, Rene, et al.
Veröffentlicht: (2024)

Physics-based Deep Learning
von: Thuerey, N., et al.
Veröffentlicht: (2021)

Differentiability in Unrolled Training of Neural Physics Simulators on Transient Dynamics
von: List, Bjoern, et al.
Veröffentlicht: (2024)

PICT -- A Differentiable, GPU-Accelerated Multi-Block PISO Solver for Simulation-Coupled Learning Tasks in Fluid Dynamics
von: Franz, Aleksandra, et al.
Veröffentlicht: (2025)

Neural Emulator Superiority: When Machine Learning for PDEs Surpasses its Training Data
von: Koehler, Felix, et al.
Veröffentlicht: (2025)

Learning to Estimate Single-View Volumetric Flow Motions without 3D Supervision
von: Franz, Aleksandra, et al.
Veröffentlicht: (2023)

Physically consistent and uncertainty-aware learning of spatiotemporal dynamics
von: Xu, Qingsong, et al.
Veröffentlicht: (2025)

PRDP: Progressively Refined Differentiable Physics
von: Bhatia, Kanishk, et al.
Veröffentlicht: (2025)

The Unreasonable Effectiveness of Solving Inverse Problems with Neural Networks
von: Holl, Philipp, et al.
Veröffentlicht: (2024)

Flow Matching for Posterior Inference with Simulator Feedback
von: Holzschuh, Benjamin, et al.
Veröffentlicht: (2024)

Phasor Memory Networks: Stable Backpropagation Through Time for Scalable Explicit Memory
von: Goo, Sungwoo, et al.
Veröffentlicht: (2026)

Physics vs Distributions: Pareto Optimal Flow Matching with Physics Constraints
von: Baldan, Giacomo, et al.
Veröffentlicht: (2025)

A Physical Theory of Backpropagation: Exact Gradients from the Least-Action Principle
von: Scurria, Antonino Emanuele
Veröffentlicht: (2026)

Physics-Constrained Adaptive Flow Matching for Climate Downscaling
von: Debeire, Kevin, et al.
Veröffentlicht: (2026)

ConFIG: Towards Conflict-free Training of Physics Informed Neural Networks
von: Liu, Qiang, et al.
Veröffentlicht: (2024)

Learning Distributions of Complex Fluid Simulations with Diffusion Graph Networks
von: Lino, Mario, et al.
Veröffentlicht: (2025)

Optimization Landscapes Learned: Proxy Networks Boost Convergence in Physics-based Inverse Problems
von: Goyal, Girnar, et al.
Veröffentlicht: (2025)

PDE-Transformer: Efficient and Versatile Transformers for Physics Simulations
von: Holzschuh, Benjamin, et al.
Veröffentlicht: (2025)

Component-Based Machine Learning for Indoor Flow and Temperature Fields Prediction Latent Feature Aggregation and Flow Interaction
von: Wang, Shaofan, et al.
Veröffentlicht: (2025)

P3D: Scalable Neural Surrogates for High-Resolution 3D Physics Simulations with Global Context
von: Holzschuh, Benjamin, et al.
Veröffentlicht: (2025)

Plug-and-Play Benchmarking of Reinforcement Learning Algorithms for Large-Scale Flow Control
von: Becktepe, Jannis, et al.
Veröffentlicht: (2026)

Light Transport-aware Diffusion Posterior Sampling for Single-View Reconstruction of 3D Volumes
von: Leonard, Ludwic, et al.
Veröffentlicht: (2025)

diffSPH: Differentiable Smoothed Particle Hydrodynamics for Adjoint Optimization and Machine Learning
von: Winchenbach, Rene, et al.
Veröffentlicht: (2025)

Bias-Constrained Diffusion Schedules for PDE Emulations: Reconstruction Error Minimization and Efficient Unrolled Training
von: Cleï, Constantin Le, et al.
Veröffentlicht: (2026)

Low-Stabilizer-Complexity Quantum States Are Not Pseudorandom
von: Grewal, Sabee, et al.
Veröffentlicht: (2022)

Tadpole: Autoencoders as Foundation Models for 3D PDEs with Online Learning
von: Liu, Qiang, et al.
Veröffentlicht: (2026)

Uncertainty-aware Surrogate Models for Airfoil Flow Simulations with Denoising Diffusion Probabilistic Models
von: Liu, Qiang, et al.
Veröffentlicht: (2023)

APEBench: A Benchmark for Autoregressive Neural Emulators of PDEs
von: Koehler, Felix, et al.
Veröffentlicht: (2024)

INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers
von: Wei, Hao, et al.
Veröffentlicht: (2025)

Stabilized Neural Differential Equations for Learning Dynamics with Explicit Constraints
von: White, Alistair, et al.
Veröffentlicht: (2023)

Benchmarking Autoregressive Conditional Diffusion Models for Turbulent Flow Simulation
von: Kohl, Georg, et al.
Veröffentlicht: (2023)

Physics-Informed Calibration of Aeromagnetic Compensation in Magnetic Navigation Systems using Liquid Time-Constant Networks
von: Nerrise, Favour, et al.
Veröffentlicht: (2024)

CRAFT: Conflict-Resolved Aggregation for Federated Training
von: Wang, Ziqi, et al.
Veröffentlicht: (2026)

tempoGAN: A Temporally Coherent, Volumetric GAN for Super-resolution Fluid Flow
von: Xie, You, et al.
Veröffentlicht: (2018)

Backpropagation-Free Test-Time Adaptation via Probabilistic Gaussian Alignment
von: Zhang, Youjia, et al.
Veröffentlicht: (2025)

A Backpropagation-Free Feedback-Hebbian Network for Continual Learning Dynamics
von: Li, Josh, et al.
Veröffentlicht: (2026)

Predicting Ground State Properties: Constant Sample Complexity and Deep Learning Algorithms
von: Wanner, Marc, et al.
Veröffentlicht: (2024)

Empirical Results for Adjusting Truncated Backpropagation Through Time while Training Neural Audio Effects
von: Bourdin, Yann, et al.
Veröffentlicht: (2025)

GeoFunFlow: Geometric Function Flow Matching for Inverse Operator Learning over Complex Geometries
von: Wang, Sifan, et al.
Veröffentlicht: (2025)

Statistical Learning Analysis of Physics-Informed Neural Networks
von: Barajas-Solano, David A.
Veröffentlicht: (2026)