PulseAugur
中
实时 08:40:04
English(EN) A Trainable-by-Parts Operator Learning Framework: Bridging DeepONet and Karhunen-Loeve Expansions for Large-Scale Applications

新的KL-DNN框架加速了大规模科学应用中的偏微分方程建模

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新的算子学习框架，即Karhunen-Loeve深度神经网络（KL-DNN），旨在解决科学和工程领域中常见的大规模偏微分方程（PDE）问题。该框架有效地融合了DeepONet和Karhunen-Loeve展开，能够对地质碳封存等复杂模拟实现更高效的训练和预测。与DeepONet相比，KL-DNN模型在压力和CO2饱和度预测方面取得了显著的改进，错误率更低，同时在训练和推理时间方面提供了显著的加速。 AI

影响 这一新框架为复杂的科学模拟提供了一种更高效、更准确的方法，有望加速气候建模和资源管理等领域的研发。

排序理由 详细介绍一种用于科学应用的新机器学习框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的KL-DNN框架加速了大规模科学应用中的偏微分方程建模

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Christian Munoz, Alexandre Tartakovsky ·

    A Trainable-by-Parts Operator Learning Framework: Bridging DeepONet and Karhunen-Loeve Expansions for Large-Scale Applications

    arXiv:2606.28519v1 Announce Type: new Abstract: Training operator-learning models for large-scale problems governed by partial differential equations (PDEs) is challenging due to the curse of dimensionality, memory constraints, and limited training data. These challenges arise in…

相关实体

相关话题