English(EN) Operator learning for the 2D incompressible Navier-Stokes equations: a conformal prediction approach in the data-scarce regime

新的共形预测框架增强了神经算子不确定性的量化

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-09 04:00

研究人员开发了一个新的共形预测框架，用于量化神经算子学习中的不确定性，特别是在二维不可压缩Navier-Stokes方程方面。该方法使用基于扰动的方法，通过比较两个相似训练的神经算子的预测来估计不确定性。它旨在通过避免单独的不确定性网络的需求，在数据稀疏的情况下高效地提供校准的不确定性估计。 AI

影响该方法为复杂物理模拟中的不确定性量化提供了一种更具样本效率的方式，有可能提高AI模型在科学应用中的可靠性。

排序理由该集群包含一篇学术论文，详细介绍了神经算子学习中不确定性量化的一种新方法。[lever_c_demoted from research: ic=1 ai=1.0]

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]

arXiv cs.LG TIER_1 English(EN) · Weinan Wang, Bowen Gang, Hao Deng · 2026-06-09 04:00

面向数据稀疏区域的二维不可压缩Navier-Stokes方程的算子学习：一种共形预测方法

arXiv:2606.08654v1 Announce Type: new Abstract: In this paper, we propose a perturbation-based conformal prediction framework for uncertainty quantification in operator learning, with a focus on the 2D Navier--Stokes equations. While neural operators provide fast surrogates for e…