算子增强框架创建高效的神经偏微分方程代理模型

研究人员开发了一个名为算子增强（Operator Boosting）的新框架，用于创建更高效的神经网络代理模型来求解偏微分方程（PDE）。该方法分阶段训练残差场上的小型神经网络算子，逐步优化预测结果。该方法在各种 PDE 基准测试（包括 Navier-Stokes 和 Darcy 流）上，参数数量显著减少（通常在 72-95% 之间），同时实现了相当或更高的准确性。 AI

影响 该方法为科学模拟提供了更具计算效率的神经网络代理模型，有望加速研究工作流程。

排序理由 该集群包含一篇学术论文，详细介绍了使用神经网络求解偏微分方程的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• APEBench
• convolutional neural operators
• DeepONets
• Fourier Neural Operators
• Navier–Stokes equations
• Operator Boosting
• PDEBench
• The WELL

• 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 →