研究人员引入了因子化神经算子（FaNO），一个旨在更好地模拟同时具有快速动态和持久结构物理系统的新型框架。与现有耦合这些响应的神经算子不同，FaNO将谱表示分解为独立的动态和持久分支。这种分解提高了各种物理系统和领域的解释性、泛化性和预测准确性，有可能加速机器学习在科学计算中的部署。 AI
影响 这种新的分解方法可以加速机器学习在复杂科学模拟中的开发和部署。
排序理由 该集群包含一篇详细介绍科学建模新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.16900v1 Announce Type: new Abstract: Physical systems often exhibit heterogeneous mechanisms, where rapidly evolving dynamics coexist with persistent structures. Capturing such multiscale physical behavior remains challenging for existing neural operators, which typica…
Physical systems often exhibit heterogeneous mechanisms, where rapidly evolving dynamics coexist with persistent structures. Capturing such multiscale physical behavior remains challenging for existing neural operators, which typically rely on single dominant inductive bias and t…