Deeponet
PulseAugur coverage of Deeponet — every cluster mentioning Deeponet across labs, papers, and developer communities, ranked by signal.
- 2026-08-20 research_milestone A new surrogate model, the Rationally Enriched Chebyshev (REC) trunk for DeepONets, has been developed to improve predictions for high-Péclet transport problems. 来源
4 天有情绪数据
-
新的NAViLoss目标函数将AUV速度估计精度提高了44%
研究人员开发了NAViLoss，这是一种旨在提高自主水下航行器（AUV）速度估计精度的新型目标函数。该新方法通过结合物理一致性和不确定性感知原则，解决了现有基于学习方法的局限性。NAViLoss联合惩罚导航状态和DVL测量域中的残差，提供了一个更鲁棒的训练目标。当与DeepONet架构集成到NAVi-DeepONet模型中时，在实际海试中实现了44%的速度估计精度提升。
-
探索面向虚拟传感的神经算子的能效
研究人员探索了降低用于虚拟传感的神经算子能耗的方法，虚拟传感是从观测中重建物理场的过程。他们的研究发现，编译器冻结和显式主干重用等技术可以显著降低运行能耗，尤其是在较高的请求频率下。具体而言，在换热器场景中，这些方法在每秒40次请求时实现了高达20%的能耗降低，并且在低功耗模式下与即时执行相比，能耗降低了22.0-22.5%。研究结果强调了像DeepONet和Fourier Neural Operator这样的算子结构，以及更新频率和…
-
深度学习框架实现了不同物理域之间的跨物理映射
研究人员推出了一种新颖的算子学习框架——跨物理映射（CPM），该框架使深度学习模型能够在由不同方程控制的物理域之间进行转换。该研究通过兼容的潜在表示和无量纲缩放原理提出了此类映射的条件。扩散场和波场的实验表明，虽然波场到扩散场的映射更稳定，但扩散场到波场的映射更具挑战性，其中U-NO架构在后一种情况下表现最佳。
-
新型Transformer增强神经算子预测气动性能
研究人员开发了一种预测透平机械叶栅气动性能的新方法，其功能类似于CFD模拟器。该框架首先预测Navier-Stokes方程的基本参数，如温度和压力，然后利用这些参数确定关键性能指标。引入了一种新颖的Transformer增强神经算子（TNO）来提高预测精度，在Rotor 37叶片数据集上优于现有的深度学习算子，如FNO和DeepONet。TNO通过四个数量级显著降低了敏感性分析和优化等下游任务的计算成本。
-
新的PI-CP方法增强了神经算子的不确定性量化
研究人员开发了一种名为物理信息共形预测（PI-CP）的新方法，为用于逼近偏微分方程（PDE）解的神经算子提供可靠的不确定性估计。该框架将PDE残差嵌入预测区间，确保无分布覆盖保证，并根据物理条件满足程度调整区间紧密度。研究还发现了傅里叶神经算子在处理具有狄利克雷边界条件的PDE时存在根本性的近似障碍，可以通过使用坐标通道来缓解，从而显著降低误差。
-
DeepONets：注意力机制对求解PDE的准确性至关重要
研究人员对深度算子网络（DeepONets）进行了一项受控研究，以了解各种注意力机制对其性能的影响。该研究系统地评估了五种具有不同注意力配置的DeepONet变体，包括交叉注意力、自注意力以及分词（tokenization），分别在数据驱动和物理信息训练场景下进行。结果表明，结合了交叉注意力的每传感器分词显著降低了多个基准问题的误差率，其中查询依赖的交叉注意力被证明是最可靠的机制。
-
新的基准测试用于检验算子学习在复杂流体动力学中的应用
研究人员开发了一个用于流体动力学算子学习模型的新基准测试，特别关注三相界面流动。该基准测试利用一个三元 Cahn-Hilliard-Navier-Stokes 求解器，为诸如气泡刺穿水油界面等复杂场景生成参考数据。研究比较了三种 DeepONet 变体，发现使用切比雪夫表示的 SEDONet 在准确性和误差减少方面显著优于其他模型，尤其是在界面附近和气泡突破后。
-
AI模型推动高分辨率降水临近预报发展
两篇新研究论文提出了用于高分辨率降水临近预报的先进深度学习架构。第一篇GenONet利用生成对抗网络（GAN）框架结合深度算子网络（DeepONet）来改进长达三小时的远程预报，侧重于清晰且物理上一致的结果。第二篇exPreCast-ENS采用基于扩散的精细化方法来增强公里级概率临近预报，纠正系统误差并提供具有集合成员的更精细空间细节。这两种方法都旨在克服当前模型在预测快速风暴演变和极端天气事件方面的局限性。
-
新型超图算子提升科学模拟AI的准确性
研究人员开发了一种名为超图自适应小波算子（HALO）的新方法，旨在提高科学模拟中神经算子的准确性和稳定性。HALO在超图上运行，超图比传统的成对图更能表示复杂的群组耦合，并使用切比雪夫多项式小波滤波器进行高效的谱分析。该方法在2D和3D基准测试中，与各种现有基线相比，表现出更优或具有竞争力的性能，包括稳定的多步预测和对不同网格分辨率的适应性。
-
物理注意力 Transformer 加速聚变不稳定性预测
研究人员开发了一个物理注意力 Transformer (PAT) 模型，用于快速预测像 Alcator C-Mod 和 SPARC 这样的聚变反应堆中垂直不稳定性增长率。这种基于 Transformer 的方法在预测标量增长率和扰动环形电流密度空间分布方面，显著优于 FNO2D 和 DeepONet 等其他机器学习模型。PAT 模型在保留数据上实现了低平均绝对误差，并展示了在未来聚变装置中实时控制应用的潜力。
-
神经偏微分方程算子中发现新的“错误物理后门”
研究人员发现神经偏微分方程（PDE）算子中存在一种新的漏洞，称为“错误物理后门”。这种攻击利用可重用的求解器存档，通过微妙地改变输入来触发在物理上看似合理但对于预期的物理参数而言不正确的输出来进行攻击。该方法已在各种 PDE 情况和模型架构（如傅立叶神经算子和 DeepONet）中得到验证，在保持低预测误差的同时实现了高成功率。这凸显了一个关键的验证差距，因为在未验证所用物理参数的出处的情况下，通用的类求解器行为是不够的。
-
新的DeepONet代理模型提升输运问题预测能力
研究人员开发了一种名为理性增强切比雪夫（REC）树的新型代理模型，用于DeepONet，旨在处理具有薄边界层的高Péclet输运问题。该REC树将切比雪夫多项式与源自自适应Antoulas-Anderson（AAA）算法的理性元素相结合。评估显示，与标准的切比雪夫树DeepONet相比，REC树DeepONet在标量剖面预测精度方面提高了高达19.5%，在温度和浓度剖面预测精度方面分别提高了高达60.2%和32.2%，同时还减少了振荡。
-
新的FAST-DeepONet方法增强了AI在复杂PDE问题上的稳定性
研究人员开发了FAST-DeepONet，这是一种新颖的方法，用于提高深度算子网络（Deep Operator Networks）在处理偏微分方程（PDE）的高维输入时的统计稳定性。该新方法结合了固定的谱路径和正交残差的正则化投影，即使在存在大量相关传感器和有限算子样本的情况下，也能有效缓解性能下降。FAST-DeepONet在包括Navier--Stokes流动、Darcy流动和终端波场预测在内的各种应用中，均显示出显著的误差降低和参数效率。
-
新的PIKFNO框架增强了神经算子的可解释性
研究人员推出了一种新颖的框架——物理信息核函数神经算子（PIKFNO），旨在增强神经算子的可解释性。与隐式学习基函数的DeepONet等现有方法不同，PIKFNO显式地集成了源自控制方程的物理信息核函数。这种方法将网络的结构约束为与无网格配置法中使用的核展开对齐，从而提高了可解释性和泛化能力，尤其是在训练数据有限的情况下。PIKFNO为创建高效、物理一致且透明的神经算子提供了一条新途径。
-
新型Transformer架构提升复杂几何形状上的算子学习能力
研究人员推出ArGEnT，一种新颖的几何编码Transformer，用于任意几何形状上的算子学习。该框架将几何编码与查询点评估解耦，实现了网格无关的场预测，并降低了对查询点分布的敏感性。ArGEnT在包括流体动力学和固体力学在内的各种基准测试中，展示了显著的准确性和泛化能力提升，通常能以比现有基于Transformer的方法更低的训练成本，将预测误差降低一个数量级。
-
新的MH-RG DeepONet架构改进了非线性波动力学建模
研究人员开发了一种新颖的多头残差门控DeepONet (MH-RG)架构，旨在更好地模拟相干非线性波动力学。该新框架将初始状态的紧凑物理描述符整合为残差调制因子，以补充标准的DeepONet状态路径。MH-RG架构包含一个预分支残差调制器、一个分支残差门和一个带有低秩多头机制的干路残差门，以有效地捕捉多种条件响应模式。在涉及非线性保守和耗散动力学的基准测试中进行的评估表明，与现有的特征增强基线相比，MH-RG DeepONet实现了更…
-
新研究探索深度学习中的不确定性量化在各种应用中的潜力
三篇新研究论文探讨了深度学习模型中不确定性量化的先进技术。第一篇论文介绍了直觉模糊深度随机神经网络（IF-dRVFL和IF-edRVFL），以提高分类任务中对噪声数据和异常值的鲁棒性。第二篇论文对基因组学应用中的不同不确定性量化方法进行了实证分析，包括深度集成、贝叶斯神经网络和蒙特卡洛-dropout，发现贝叶斯神经网络对于不平衡和分布外数据更可靠。第三篇论文提出了一种两步MV-DeepONet用于概率算子学习，增强了不确定性传播中跨…
-
AI模型难以从期权价格中恢复无风险密度
一篇新的研究论文探讨了即使期权价格本身准确，从期权定价数据中准确恢复潜在无风险密度的挑战。该研究使用了两个基准：一个受控的合成数据集和一个按时间顺序排列的NIFTY市场数据集。研究结果表明，虽然双组分对数正态混合模型整体表现良好，但像DeepONet和quote transformers这样的专业神经网络模型在特定的误差指标上显示出优势，这表明最佳方法取决于目标应用。
-
SpectONet：物理引导谱深度算子网络增强梁动力学分析
研究人员推出 SpectONet，这是一种新颖的物理引导谱深度算子网络，用于解决欧拉-伯努利梁振动问题。该框架通过整合物理信息约束和专门的 Chebyshev-Gauss-Lobatto 传感器放置策略，增强了 DeepONet 的算子学习能力。与使用均匀传感器分布的传统方法不同，SpectONet 采用非均匀谱位置，将传感器集中在域边界附近，以更少的输入更好地捕捉结构响应。在合成和真实世界数据集上的数值实验表明，SpectONet …
-
新研究质疑流体代理模型的普遍适用性
一篇新近发表在arXiv上的研究探讨了在不同边界条件下，流体代理模型在模拟复杂流体动力学中的有效性。研究人员在两种不同的流体状态下比较了八种不同的代理模型架构：半导体制造中的化学机械抛光（CMP）和卡门涡街（KVS）。研究结果表明，没有一种模型架构能在两种状态下都表现最佳，这凸显了将代理模型的设计与特定流体的动力学特性相匹配的重要性。研究还强调，由于像点状均方根误差（RMSE）这样的标准指标可能具有误导性，因此在验证中需要解决失效模式的指标。