PulseAugur
实时 12:45:57
English(EN) LFNO: Bridging Laplace and Fourier via Transient-Steady Decomposition

新的LFNO框架统一了拉普拉斯和傅里叶算子以用于动力学系统

研究人员开发了拉普拉斯-傅里叶神经算子(LFNO),这是一个用于建模动力学系统的新颖框架。LFNO通过将系统动力学分解为瞬态和稳态分量,独特地结合了拉普拉斯和傅里叶神经算子的优点。在包括ODE和PDE系统在内的九个基准测试中的评估表明,LFNO的性能优于现有算子,尤其是在瞬态主导的ODE系统中,并在PDE基准测试中表现出竞争力。 AI

影响 引入了一个用于建模动力学系统的统一框架,有可能提高科学模拟的准确性和可解释性。

排序理由 该集群包含一篇详细介绍新模型架构的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Jeongun Ha, Sanga Yoon, Donghun Lee ·

    LFNO:通过瞬态-稳态分解连接拉普拉斯和傅里叶

    arXiv:2606.07601v1 Announce Type: cross Abstract: We introduce the Laplace-Fourier Neural Operator (LFNO), a unified framework for modeling dynamical systems across transient and steady-state regimes by integrating the spectral advantages of Laplace and Fourier Neural Operators. …