PulseAugur
中
实时 09:24:44

新的DeepONet框架提高了准确性和效率

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了新的固定和自适应拓扑DeepONets，它们通过使用连续线性泛函而不是固定点值来编码输入函数，从而改进了现有的深度算子网络。这个新框架旨在处理更复杂的输入空间，包括不可范化的空间，并提供更紧凑和可解释的坐标。在包括Navier-Stokes涡度算子在内的各种算子上的评估表明，与傅里叶神经网络算子相比，自适应拓扑DeepONet以显著更少的计算资源实现了高精度。 AI

影响 为复杂系统中的函数逼近引入了一种更有效、更准确的方法，可能对科学计算和模拟产生影响。

排序理由 这是一篇详细介绍深度算子网络新方法的学术论文。

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DeepONet框架提高了准确性和效率

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Khemraj Shukla, George Em Karniadakis ·

    固定和自适应拓扑深度ONet：Hausdorff局部凸空间上的泛函测量

    arXiv:2608.06428v1 Announce Type: new Abstract: Deep Operator Networks (DeepONets; arXiv:1910.03193) typically encode an input function through point values on a fixed discretization. Building on the Topological DeepONet framework of Ismailov (arXiv:2603.11972), we replace point …

相关实体

相关话题