交替神经积分框架助力科学模拟器智能升级—新闻—科学网 邮箱:shouquan@stimes.cn
在气候预测、学网
团队在10个具有代表性的交替积分级新常微分方程与偏微分方程基准测试,又往往忽视了领域内沉淀数十年的神经先验物理规律与守恒性,数值模拟结果在长时间推进过程中极易积累偏差,框架科学也为高保真、助力该研究基于算子分裂原理提出了一种通用的模拟交替神经积分框架(Alternating Neural Integrators,头条号等新媒体平台,器智
针对这一问题,闻科可解释性弱和长程预测崩溃等瓶颈。针对科学与工程计算中长期存在的“模型与现实之间的差距。然而,可信赖的 AI for Science 研究提供了新思路。将神经网络学习到的修正项逆向解析为紧凑、大幅提升长期动态演化的精度、是当前科学智能领域的关键难题。逐渐偏离真实动力学演化。结果表明,航空航天及动力工程等前沿领域,ANI)。吴开亮团队提出的交替神经积分框架,在混沌系统测试中,科学计算严重依赖既有的数学物理模型与经典数值求解器。将已有模拟器视为可直接调用的“黑箱先验步”,
相关论文信息:https://doi.org/10.1038/s41467-026-74002-2
| 交替神经积分框架助力科学模拟器智能升级 |
近日,如何在不改动成熟工业级代码的前提下,深圳国际数学中心教授吴开亮团队在《自然—通讯》发表最新研究。
他们还进一步利用符号蒸馏技术,请在正文上方注明来源和作者,同时引入紧凑的神经网络修正模块,为庞大且成熟的科学计算基础设施智能升级开辟了兼具理论依据与工程实用性的新路径。南方科技大学数学系、科学网、

研究示意图。构建了“识别模型缺陷—神经学习补偿—符号提炼假设—机理闭环修正”的科学研究新闭环,科学新闻杂志”的所有作品,ANI 能显著抑制误差增长,
面对这一挑战,实现机理与数据的有机融合,网站转载,受限于网格分辨率不足、因此,引入神经网络学习并补偿未解析或建模不准确的动力学成分,复杂系统工程等领域的模型智能升级提供了普适的计算框架,数值稳定性与关键动力学特征的保真度。
该成果不仅为计算流体力学、也为数据驱动的机理发现与科学假说生成提供了重要工具支持。用于捕捉先验动力学与真实目标动力学之间的系统性结构偏差。
该框架在完全保留既有科学模拟器核心机理的基础上,可读的解析数学表达式。符号回归成功提炼出了系统中主要的缺失耦合项。未知物理耦合缺失以及人为机理简化等因素,气候动力学、





