Buchumschlag

A Multimodal PDE Foundation Model for Prediction and Scientific Text Descriptions

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Negrini, Elisa, Liu, Yuxuan, Yang, Liu, Osher, Stanley J., Schaeffer, Hayden
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Numerical Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

BCAT: A Block Causal Transformer for PDE Foundation Models for Fluid Dynamics
von: Liu, Yuxuan, et al.
Veröffentlicht: (2025)

VICON: Vision In-Context Operator Networks for Multi-Physics Fluid Dynamics Prediction
von: Cao, Yadi, et al.
Veröffentlicht: (2024)

PROSE-FD: A Multimodal PDE Foundation Model for Learning Multiple Operators for Forecasting Fluid Dynamics
von: Liu, Yuxuan, et al.
Veröffentlicht: (2024)

PDE Generalization of In-Context Operator Networks: A Study on 1D Scalar Nonlinear Conservation Laws
von: Yang, Liu, et al.
Veröffentlicht: (2024)

Towards a Foundation Model for Partial Differential Equations: Multi-Operator Learning and Extrapolation
von: Sun, Jingmin, et al.
Veröffentlicht: (2024)

Fine-Tune Language Models as Multi-Modal Differential Equation Solvers
von: Yang, Liu, et al.
Veröffentlicht: (2023)

A Natural Primal-Dual Hybrid Gradient Method for Adversarial Neural Network Training on Solving Partial Differential Equations
von: Liu, Shu, et al.
Veröffentlicht: (2024)

Neural Hamilton--Jacobi Characteristic Flows for Optimal Transport
von: Park, Yesom, et al.
Veröffentlicht: (2025)

Probabilistic operator learning: generative modeling and uncertainty quantification for foundation models of differential equations
von: Zhang, Benjamin J., et al.
Veröffentlicht: (2025)

Cauchy Random Features for Operator Learning in Sobolev Space
von: Liao, Chunyang, et al.
Veröffentlicht: (2025)

A Deep Learning Framework for Multi-Operator Learning: Architectures and Approximation Theory
von: Weihs, Adrien, et al.
Veröffentlicht: (2025)

MVNN: A Measure-Valued Neural Network for Learning McKean-Vlasov Dynamics from Particle Data
von: Lyu, Liyao, et al.
Veröffentlicht: (2026)

AutoNumerics: An Autonomous, PDE-Agnostic Multi-Agent Pipeline for Scientific Computing
von: Du, Jianda, et al.
Veröffentlicht: (2026)

Towards Foundation Models for Scientific Machine Learning: Characterizing Scaling and Transfer Behavior
von: Subramanian, Shashank, et al.
Veröffentlicht: (2023)

U-HNO: A U-shaped Hybrid Neural Operator with Sparse-Point Adaptive Routing for Non-stationary PDE Dynamics
von: Ma, Yingzhe, et al.
Veröffentlicht: (2026)

Mathematics of Digital Twins and Transfer Learning for PDE Models
von: Zong, Yifei, et al.
Veröffentlicht: (2025)

Quantifying Training Difficulty and Accelerating Convergence in Neural Network-Based PDE Solvers
von: Chen, Chuqi, et al.
Veröffentlicht: (2024)

Generalization Bounds for Sparse Random Feature Expansions
von: Hashemi, Abolfazl, et al.
Veröffentlicht: (2021)

DPOT: Auto-Regressive Denoising Operator Transformer for Large-Scale PDE Pre-Training
von: Hao, Zhongkai, et al.
Veröffentlicht: (2024)

Mixture-of-Experts Operator Transformer for Large-Scale PDE Pre-Training
von: Wang, Hong, et al.
Veröffentlicht: (2025)

Graph Neural Regularizers for PDE Inverse Problems
von: Lauga, William, et al.
Veröffentlicht: (2025)

Scalable Fixed-Point Framework for High-Dimensional Hamilton-Jacobi Equations
von: Park, Yesom, et al.
Veröffentlicht: (2026)

DeltaPhi: Physical States Residual Learning for Neural Operators in Data-Limited PDE Solving
von: Yue, Xihang, et al.
Veröffentlicht: (2024)

Scaling up Probabilistic PDE Simulators with Structured Volumetric Information
von: Weiland, Tim, et al.
Veröffentlicht: (2024)

Blending Neural Operators and Relaxation Methods in PDE Numerical Solvers
von: Zhang, Enrui, et al.
Veröffentlicht: (2022)

Latent Neural Operator for Solving Forward and Inverse PDE Problems
von: Wang, Tian, et al.
Veröffentlicht: (2024)

Neural Parameter Regression for Explicit Representations of PDE Solution Operators
von: Mundinger, Konrad, et al.
Veröffentlicht: (2024)

Physics-Informed Gaussian Process Regression Generalizes Linear PDE Solvers
von: Pförtner, Marvin, et al.
Veröffentlicht: (2022)

Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation
von: Zhang, Rui, et al.
Veröffentlicht: (2023)

A PDE-based Explanation of Extreme Numerical Sensitivities and Edge of Stability in Training Neural Networks
von: Sun, Yuxin, et al.
Veröffentlicht: (2022)

P$^2$C$^2$Net: PDE-Preserved Coarse Correction Network for efficient prediction of spatiotemporal dynamics
von: Wang, Qi, et al.
Veröffentlicht: (2024)

Unisolver: PDE-Conditional Transformers Towards Universal Neural PDE Solvers
von: Zhou, Hang, et al.
Veröffentlicht: (2024)

PDE Solvers Should Be Local: Fast, Stable Rollouts with Learned Local Stencils
von: Cheng, Chun-Wun, et al.
Veröffentlicht: (2025)

Flexible and Efficient Probabilistic PDE Solvers through Gaussian Markov Random Fields
von: Weiland, Tim, et al.
Veröffentlicht: (2025)

Learning Neural PDE Solvers with Convergence Guarantees
von: Hsieh, Jun-Ting, et al.
Veröffentlicht: (2019)

Certified machine learning: Rigorous a posteriori error bounds for PDE defined PINNs
von: Hillebrecht, Birgit, et al.
Veröffentlicht: (2022)

A Dirac-Frenkel-Onsager principle: Instantaneous residual minimization with gauge momentum for nonlinear parametrizations of PDE solutions
von: Raviola, Matteo, et al.
Veröffentlicht: (2026)

Proposal-Guided Greedy Surrogate Refinement for PDE-Driven High-Dimensional Rare-Event Estimation
von: Gao, Zhiwei, et al.
Veröffentlicht: (2026)

PDEfuncta: Spectrally-Aware Neural Representation for PDE Solution Modeling
von: Jo, Minju, et al.
Veröffentlicht: (2025)

Moving Sampling Physics-informed Neural Networks induced by Moving Mesh PDE
von: Yang, Yu, et al.
Veröffentlicht: (2023)