PulseAugur
中
实时 11:29:54
English(EN) Multi-stage neural operator learning with application for convolutions

新的多阶段神经算子框架提高了卷积精度

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了两种新颖的多阶段神经算子学习框架，DCNO和DGNO，旨在高效准确地计算卷积积分。DCNO是一种监督方法，通过学习残差来改进算子近似；而DGNO是一种无监督方法，在适用时利用偏微分方程残差的弱形式进行训练。两种框架都通过多阶段逐步构建基算子，以提高近似精度和效率，在卷积问题上实现了接近机器的精度，并提供了比传统求解器显著的速度提升。 AI

影响 引入了加速复杂计算的先进技术，可能对科学模拟和数据处理产生影响。

排序理由 该集群包含一篇详细介绍新研究方法的学术论文。[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 →

新的多阶段神经算子框架提高了卷积精度

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zhiping Mao, Zhenye Wen, Yong Zhang, Xiaofei Zhao ·

    多阶段神经算子学习及其在卷积中的应用

    arXiv:2608.18851v1 Announce Type: new Abstract: Convolution integrals widely exist in applications, and to enable fast and accurate computations, this paper introduces two general multi-stage neural operator learning frameworks. The first, Deep Collocation Neural Operator (DCNO),…

相关话题