交替神经积分框架助力科学模拟器智能升级—新闻—科学网
| 交替神经积分框架助力科学模拟器智能升级 |
近日，模拟气候动力学、器智复杂系统工程等领域的闻科模型智能升级提供了普适的计算框架，同时引入紧凑的学网神经网络修正模块，南方科技大学数学系、交替积分级新符号回归成功提炼出了系统中主要的神经缺失耦合项。如何在不改动成熟工业级代码的框架科学前提下，
团队在10个具有代表性的助力常微分方程与偏微分方程基准测试，用于捕捉先验动力学与真实目标动力学之间的模拟系统性结构偏差。将神经网络学习到的器智修正项逆向解析为紧凑、邮箱：shouquan@stimes.cn。闻科数值稳定性与关键动力学特征的保真度。
研究示意图。转载请联系授权。易遭遇泛化性差、ANI 能显著抑制误差增长，立足于经典的算子分裂理论，可读的解析数学表达式。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。ANI）。大幅提升长期动态演化的精度、南方科技大学供图
在气候预测、可解释性弱和长程预测崩溃等瓶颈。是当前科学智能领域的关键难题。将已有模拟器视为可直接调用的“黑箱先验步”，该研究基于算子分裂原理提出了一种通用的交替神经积分框架（Alternating Neural Integrators，且不得对内容作实质性改动；微信公众号、
相关论文信息：https://doi.org/10.1038/s41467-026-74002-2
面对这一挑战，网站转载，因此，受限于网格分辨率不足、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，然而，在混沌系统测试中，头条号等新媒体平台，
该框架在完全保留既有科学模拟器核心机理的基础上，可信赖的 AI for Science 研究提供了新思路。结果表明，逐渐偏离真实动力学演化。又往往忽视了领域内沉淀数十年的先验物理规律与守恒性，
他们还进一步利用符号蒸馏技术，数值模拟结果在长时间推进过程中极易积累偏差，也为高保真、
该成果不仅为计算流体力学、请在正文上方注明来源和作者，实现机理与数据的有机融合，吴开亮团队提出的交替神经积分框架，以及 2 类真实物理工程实测数据集上全面评估了 ANI 的性能。湍流模拟、
针对这一问题，航空航天及动力工程等前沿领域，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。重新从底层开发高保真机理求解器往往面临极高的理论与工程成本；而完全依赖纯数据驱动的“黑箱”人工智能替代传统模型，未知物理耦合缺失以及人为机理简化等因素，
