Deep Operator Networks
PulseAugur coverage of Deep Operator Networks — every cluster mentioning Deep Operator Networks across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
深度学习模型解决复杂的数学问题
研究人员开发了新颖的深度学习方法，特别是物理信息神经网络（PINNs）和深度算子网络（DeepONets），来解决复杂的无穷大和p-Laplace问题。这些神经网络方法为传统的基于网格的求解器提供了一种更有效率的替代方案，尤其是在三维问题中计算成本显著更高的情况下。该研究包括理论贡献，例如PINN近似的条件收敛结果以及DeepONets的通用近似结果，并通过数值实验进行了验证。
-
深度算子网络加速波浪预测模型
研究人员开发了一种深度算子网络（DeepONet）作为预测体波参数的代理模型，旨在降低风暴潮预测的计算成本。该代理模型学习底层的连续算子，能够实现独立于离散化的有效预测。在北卡罗来纳州鸭子进行的真实模拟测试中，DeepONet在计算效率上实现了四个数量级的提升，同时在预测有效波高和辐射应力梯度方面保持了高精度。
-
Deflation-PINNs 框架使用神经网络识别偏微分方程的多个解
研究人员开发了 Deflation-PINNs，这是一个将物理信息神经网络 (PINNs) 与深度算子网络 (DeepONets) 相结合的新框架，用于解决非线性偏微分方程 (PDE) 的多解识别挑战。该新方法包含一个 deflation loss，以系统地引导网络找到不同的解分支。该框架已成功证明能够识别 Landau-de Gennes 模型中的多个平衡态和一个 Allen--Cahn 基准问题，在一次无监督运行中恢复了后者的所有六个稳定态。
-
新研究量化了神经网络和神经算子的理论到实践的差距
研究人员分析了使用 ReLU 神经网络和神经算子进行学习的采样复杂度，并根据样本数量推导出了收敛速率的上限。这项工作在 L^p 设置下统一处理了“理论到实践的差距”，改进了现有界限，并将该概念扩展到无限维神经算子学习。研究结果适用于各种神经算子架构，包括深度神经算子网络和傅里叶神经算子，表明收敛速率受 1/p 阶的限制。
-
混合物理信息神经网络推动电力系统设计
一篇新的综述文章探讨了使用混合物理信息神经网络（PIML）来增强电力系统。这些方法将物理定律嵌入机器学习模型，提高了准确性和效率，尤其是在数据稀缺的情况下。文章详细介绍了各种PIML架构及其在故障检测和数字孪生等领域的应用，强调了它们优于纯数据驱动的方法。