PulseAugur
中
实时 11:01:14
English(EN) PIKFNO: An Interpretable Neural Operator Based on Physics Informed Kernel Function

新的PIKFNO框架增强了神经算子的可解释性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的框架——物理信息核函数神经算子（PIKFNO），旨在增强神经算子的可解释性。与隐式学习基函数的DeepONet等现有方法不同，PIKFNO显式地集成了源自控制方程的物理信息核函数。这种方法将网络的结构约束为与无网格配置法中使用的核展开对齐，从而提高了可解释性和泛化能力，尤其是在训练数据有限的情况下。PIKFNO为创建高效、物理一致且透明的神经算子提供了一条新途径。 AI

影响 增强了神经算子的可解释性和泛化能力，有望改善其在科学建模中的应用。

排序理由 该集群包含一篇详细介绍神经算子新框架的研究论文。[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PIKFNO框架增强了神经算子的可解释性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yuan Guo, Hanshu Chen, Zhuojia Fu ·

    PIKFNO：一种基于物理信息核函数的解释性神经算子

    arXiv:2608.14619v1 Announce Type: new Abstract: This work proposes a new interpretable neural operator framework, termed the Physics Informed Kernel Function Neural Operator (PIKFNO), which explicitly incorporates physics informed kernel functions derived from governing equations…

相关实体

相关话题