arXiv 论文提出可微图隐式求解器，统一处理 PDE 正演与反演
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇提交至 arXiv cs.AI 的论文提出一种全可微的图隐式求解器，把非结构网格上偏微分方程数值优化中的大型方程组作为约束纳入求解过程。作者在四类任务上评估其表现：演化型与静态问题的线性及非线性正演建模、估计方程系数的反演、估计右端项的反演，以及用于加速正演的图粗化学习。论文称，该求解器的稳定性与可微性使其能显著降低正演建模复杂度，同时处理相关反演问题，可用于地球物理等需要靠反演降低模型不确定性的场景。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载方法核心
论文关注的是非结构网格上偏微分方程近似解的表示问题：这类解可以放在图上表达。对刚性演化型与静态 PDE 做数值优化时，往往要解一个大型方程组，作者把这个方程组当作约束处理，并给出一个全可微的图隐式求解器，把约束直接纳入求解流程。可微性意味着正演与反演可以共用同一套计算图，而不必为两类问题分别搭建求解路径。
四类评测任务
作者在四类任务上考察求解器表现：一是演化型与静态问题的线性、非线性正演建模；二是通过反演估计方程系数；三是通过反演估计右端项；四是可学习的图粗化，用来加速正演建模。前三类覆盖了从已知方程求场、到由观测反推参数与源项的主要场景，第四类则指向计算效率，试图用学习到的粗化策略减少正演开销。
适用场景与定位
论文强调求解器的稳定性与可微性，使正演建模的复杂度可以明显下降，同时反演问题也能得到处理。作者点出的落地方向是物理与工程应用，尤其是地球物理：该领域常通过反演降低模型不确定性。材料未给出具体精度指标、数据集或与其他求解器的定量对比，实际效果需查阅原文与实验部分。
为什么值得看
把 PDE 约束直接嵌入可微求解器，正演与反演共用一套图结构，对科学计算与物理仿真方向的从业者有参考价值。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。