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
7 天有情绪数据
-
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。
-
新框架将神经网络与向量值函数空间联系起来
研究人员开发了一个新框架，用于理解神经网络底层的函数空间，特别是针对向量值和神经算子模型。这项工作引入了向量值再生核巴拿赫空间（vv-RKBS）的伴随对概念，并证明了浅层值神经网络以及DeepONet和Hypernetwork架构可以在这些空间中表示。研究结果建立了一个表示定理，将这些函数空间上的优化与相应的神经网络架构联系起来。
-
新的物理信息DeepONet模型助力结构健康监测
研究人员开发了一种新颖的物理信息DeepONet框架，用于创建快速且物理一致的代理模型，以实现断裂弹性域的实时结构健康监测。该模型根据边界条件和断裂几何形状预测位移场，尤其重要的是，它不需要有限元生成的训练数据。该框架通过局部惩罚项弱化了断裂边界上的无牵引条件，初步示例证明了其对特定断裂几何形状的可行性。
-
新的NOTES方法增强了物理系统的逆向设计
研究人员开发了一种名为神经算子驱动的拓扑感知演化策略（NOTES）的新方法，以改进由偏微分方程控制的物理系统的逆向设计。该方法结合了DeepONet神经算子和协方差矩阵自适应演化策略（CMA-ES），以降低设计维度并提高效率。NOTES应用于纳米光子束偏转器和结构优化，与现有方法相比表现出优越的性能，实现了高效率和改进的顺应性。
-
新的CLBO方法以更高的精度和速度预测声场
研究人员开发了一种名为感知复数线性边界算子（CLBO）的新方法，以更有效地从边界激励预测声场。该算子通过显式的复数表面-求积收缩耦合学习到的基函数，将振动表面的复数法向速度映射到接收器位置的复数压力。与复数DeepONet相比，CLBO在预测误差方面显著降低，速度也大大提高，在分布式声学激励方面表现出更强的物理一致性和泛化能力。
-
新框架自动化微分方程的神经算子流水线
研究人员推出PDEFlow，一个自主智能体式框架，旨在自动化求解微分方程的神经算子流水线的创建。该系统将用户级别的ODE和PDE描述转换为可执行的流水线，处理问题规范、使用FEniCSx后端进行数据生成以及神经算子训练和推理。该框架旨在通过最大限度地减少复杂模拟和学习任务中的手动干预来简化科学和工程工作流程。
-
新的SEDONet架构增强了科学计算中AI的逼近能力
研究人员开发了一种新颖的谱嵌入深度算子网络（SEDONet）架构，以提高DeepONets在科学计算复杂问题上的逼近能力。与使用原始坐标上的全连接层的标准DeepONets不同，SEDONet采用了切比雪夫谱字典，为有界域提供了合适的归纳偏置。这种方法使SEDONet能够更好地捕捉精细尺度特征、边界层和非周期结构，在包括二维泊松方程和Lorenz-96混沌系统在内的各种基准测试中，其相对L2误差优于基线DeepONets和傅里叶嵌入变体。
-
新的FNO-LS方法增强了AI处理复杂数学映射的能力
研究人员开发了一种名为带最小二乘读出重拟的傅里叶神经算子（FNO-LS）的新方法，以提高学习随机障碍到解的映射的准确性。该技术涉及训练一个傅里叶神经算子（FNO），然后使用最小二乘法在训练数据上重拟其最终的线性读出层。与DeepONet和标准FNO等其他模型相比，FNO-LS方法表现出更优越的性能，尤其是在处理复杂几何形状和更高振幅的障碍物时。这种训练后增强提供了一种简单而有效的方法来提高学习表示的准确性，而无需改变非线性骨干。
-
新的KL-DNN框架加速了大规模科学应用中的偏微分方程建模
研究人员开发了一个新的算子学习框架，即Karhunen-Loeve深度神经网络（KL-DNN），旨在解决科学和工程领域中常见的大规模偏微分方程（PDE）问题。该框架有效地融合了DeepONet和Karhunen-Loeve展开，能够对地质碳封存等复杂模拟实现更高效的训练和预测。与DeepONet相比，KL-DNN模型在压力和CO2饱和度预测方面取得了显著的改进，错误率更低，同时在训练和推理时间方面提供了显著的加速。
-
新AI模型预测桥梁结构响应速度提升60倍 · 追踪2个来源
研究人员开发了一种自适应主干DeepONet模型，以改进长跨度公路桥梁局部结构响应的预测。该新框架使用k近邻（KNN）策略动态创建依赖于载荷的学习域，使网络能够专注于关键结构影响区域。该模型结合了距离感知特征和基于物理的重建方法，实现了与有限元分析（FEM）相当的精度，同时显著缩短了计算时间，总体速度提高了60倍，仅推理速度就提高了四个数量级。
-
新的神经网络架构应对复杂的科学计算问题 · 跟踪 8 个来源
研究人员正在开发新颖的神经网络架构来求解复杂的偏微分方程 (PDE) 和建模动力学系统。这包括用于离子传输的面向结构的随机神经网络 (SO-RaNN)，用于具有已知图结构的_时间序列_预测的_信息_神经_控制_微分方程 (INDEQS)，以及用于高保真 PDE 解的_启动器-迭代器_神经算子 (SINO)。此外，还提出了正交正则化 (OrthoReg) 来通过防止组件之间的重叠来改进混合符号-神经模型，而其他工作则探索了现代神经网络架…