PulseAugur
中
实时 04:40:16
English(EN) Randomized neural operator for parametric PDEs with fast training and conformal uncertainty quantification

新的随机神经算子可大幅缩短偏微分方程训练时间

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了PCA--RaNN，一种专为参数化偏微分方程（PDE）设计的创新随机神经算子。通过结合基于PCA的降维、随机特征和闭式最小二乘读出，该方法与传统的神经算子相比，将训练时间缩短了一到三个数量级。PCA--RaNN在包括Burgers、Darcy和Navier-Stokes方程在内的基准测试中实现了有利的速度-准确性权衡，并支持用于不确定性量化的共形预测区间。 AI

影响 加速需要重复求解偏微分方程以进行不确定性量化和设计优化的科学工作流程。

排序理由 该集群描述了一篇详细介绍求解参数化偏微分方程新方法的最新研究论文。[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 →

新的随机神经算子可大幅缩短偏微分方程训练时间

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zirui Deng, Jingbo Sun, Deyu Meng, Fei Wang ·

    参数化偏微分方程的随机神经算子，具有快速训练和共形不确定性量化

    arXiv:2606.29440v1 Announce Type: new Abstract: Repeatedly solving parametric PDEs is essential for uncertainty quantification, design optimization and inverse problems, but conventional neural operators require expensive non-convex training. We introduce PCA--RaNN, a randomized …

相关实体

相关话题