研究人员推出了一种名为Hartley神经算子（HNO）的实值替代方案，用于求解偏微分方程，以替代傅里叶神经算子（FNO）。HNO利用离散Hartley变换，为每个谱模式学习一个单一的实数乘数，从而避免了FNO的复数傅里叶域方法中存在的复数运算和潜在的冗余。研究表明，HNO在具有实对称格林函数的自伴椭圆算子上表现更好，而FNO则更适用于涉及相位的时间相关算子，例如波动方程或对流方程中的算子。 AI
影响 引入了一种新的算子，可能为AI研究中的特定类型的偏微分方程问题提供计算优势。
排序理由 该集群包含一篇详细介绍求解偏微分方程新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.24851v1 Announce Type: new Abstract: Fourier Neural Operators (FNO) learn solution operators of partial differential equations by parameterizing global convolutions in the complex Fourier domain. For real-valued PDE solutions, the complex FFT carries representational r…
Fourier Neural Operators (FNO) learn solution operators of partial differential equations by parameterizing global convolutions in the complex Fourier domain. For real-valued PDE solutions, the complex FFT carries representational redundancy through conjugate symmetry. We introdu…