Deeponet
PulseAugur coverage of Deeponet — every cluster mentioning Deeponet across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的基于算子的框架推进多任务深度学习理论
研究人员开发了新的理论框架来理解多任务深度学习中的泛化。一种方法利用基于算子的理论框架，结合基于Koopman的方法和草图技术，以获得比传统方法更紧密的泛化界限。另一篇论文介绍了多神经网络算子（MNO）架构，展示了学习算子集合的近乎最优的逼近和统计泛化率。这些发现表明，跨任务的共享表示不会增加整体学习成本，将多任务算子学习与单算子学习相匹配。
-
Sensoformer AI model improves sim-to-real inference for sensor data
Researchers have developed Sensoformer, a novel set-attention framework designed to improve inference from sparse and variable sensor data. By integrating Physics-Structured Domain Randomization (PSDR), the model learns…
-
Deep Operator Networks predict composite material deformation with uncertainty quantification
Researchers have developed a Deep Operator Network (DeepONet) to predict process-induced deformation in carbon/epoxy composites. This data-driven surrogate model combines physics-based simulations with experimental meas…
-
DeepONet学习非参数二维几何的亥姆霍兹方程算子
研究人员开发了一种物理信息神经网络算子DeepONet，用于求解非参数域上的二维亥姆霍兹方程。该方法学习散射体几何与产生的波场之间的关系，使用符号距离函数来编码任意形状。与传统的有限元方法相比，该模型提供了计算量更小的替代方案，并避免了域重网格化的需要。
-
新方法使用隐式层求解刚性微分代数方程
研究人员开发了一种新颖的方法来学习刚性微分代数系统的算子模型，这类系统对于神经网络来说非常难以处理。他们的方法利用扩展牛顿隐式层，在单个可微分步骤中精确地强制执行代数约束，并将快速动力学近似为其准稳态值。这种物理引导的DeepONet架构与传统的惩罚方法甚至标准的牛顿求解器相比，显著降低了误差，并在并网逆变器和Robertson 刚性DAE等复杂系统上表现出强大的性能。
-
Neural operators achieve real-time TBI modeling with multimodal fusion
Researchers have developed multimodal neural operator architectures capable of predicting full-field brain displacement from heterogeneous inputs, including neuroimaging, demographic data, and acquisition metadata. This…