新方法可在无真实数据的情况下对神经算子模型进行排名

研究人员开发了一种新颖的方法，可以在不需要高保真参考解的情况下，有效地选择最佳的神经算子模型进行部署。通过分析平方希尔伯特空间损失下候选差异的低维跨度，控制方程的单个线性化响应可以同时对所有模型进行评分。该方法在流体、反应扩散和波动力学等各种算子库中，准确恢复了超过 99.6% 的成对偏好和 99.0% 的最优检查点。修正后的物理代理通常优于单个最佳候选者，为部署科学代理提供了可靠高效的方式。 AI

影响 通过减少对大量真实数据的需求，实现了科学人工智能模型更高效的部署。

排序理由 该条目是发表在 arXiv 上的研究论文，详细介绍了一种评估神经算子模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• convolutional operator libraries
• fluid dynamics
• Fourier
• Hugging Face
• Neural Operator Libraries

• 论文
• 基础设施

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