研究人员开发了历史空间傅里叶神经算子（HS-FNO），这是一种新颖的神经算子，旨在模拟非马尔可夫偏微分方程（PDE）。与假设瞬时状态是完整的标准自回归模型不同，HS-FNO 考虑了在具有记忆或延迟的系统中至关重要的历史依赖性。该模型将更新分解为对新数据切片的可学习预测和已知历史的精确传输，与现有方法相比，在自回归预测方面显著降低了误差。 AI
影响 引入了一种新颖的神经算子架构，提高了复杂、依赖历史的科学模拟的建模精度。
排序理由 该集群包含一篇 arXiv 预印本，详细介绍了针对特定类别科学建模问题的新模型架构。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.09523v2 Announce Type: replace-cross Abstract: Neural operators provide fast surrogate models for time-dependent partial differential equations, but their standard autoregressive use usually assumes that the instantaneous field $u(t,\cdot)$ is a complete state. This as…
Neural operators provide fast surrogate models for time-dependent partial differential equations, but their standard autoregressive use usually assumes that the instantaneous field $u(t,\cdot)$ is a complete state. This assumption fails for delay equations, distributed-memory sys…