Deeponet
PulseAugur coverage of Deeponet — every cluster mentioning Deeponet across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
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…
-
新理论推进连续随机控制中的Q学习
研究人员在arXiv上发表了一篇论文，详细介绍了Q学习（强化学习中的一个基本算法）的理论进展。该研究侧重于连续状态和动作空间中Q学习的数学基础，特别是分析了贝尔曼最优性目标。该论文提出了一种专门针对问题混合正则性属性的DeepONet架构，并推导了近似界限，强调了随着时间步长接近零时，刚度和复杂性之间的权衡。
-
新的FNO架构增强了高频学习和物理精度
研究人员开发了傅里叶神经算子（FNO）的新框架，以提高其学习高频信息和物理性质的能力。SirenFNO利用正弦表示网络学习全网格频谱，无需频率截断，以更少的参数优于标准FNO。GENERIC-FNO将非平衡热力学的能量守恒和熵产生直接嵌入函数空间，展示了精确的结构保证和在各种PDE上的竞争性性能。此外，傅里叶多组分和多层神经网络（FMMNNs）将正弦型激活与多组分结构相结合，实现了指数级的表达能力和有利于高频目标的优化格局。
-
新AI模型减少了对已标记仿真数据的需求
研究人员推出了一种新颖的神经算子预训练框架PI-JEPA，旨在减少多物理场仿真中对大量已标记仿真数据的需求。该方法利用未标记的参数场和基于物理信息的方法，能够以显著更少的完整PDE求解进行有效训练。与FNO和DeepONet等现有模型相比，PI-JEPA表现出更优越的性能，尤其是在有限的已标记运行中进行微调时，从而降低了部署多物理场代理所需的仿真预算。
-
AI框架增强SMR模拟以支持数字孪生
研究人员开发了一种结合降阶模型（ROM）和神经算子来模拟计算流体动力学（CFD）的新框架。该方法旨在实现小型模块化反应堆（SMR）数字孪生技术所需的实时热工水力模拟。研究比较了不同的神经算子架构，包括DeepONet和傅里叶神经算子（FNO），并引入了一种多尺度技术来改进复杂流动动力学的预测。
-
新理论解释算子学习中的神经缩放定律
本文提出了一个理论框架，用于理解深度算子网络（特别是DeepONet等架构）中的神经缩放定律。该研究分析了与网络大小和训练数据相关的逼近误差和泛化误差，为具有低维结构的输入提供了更严格的界限。这些发现也延伸到深度ReLU网络，为算子学习提供了理论基础。
-
机器学习模型利用CFD数据预测反应堆流场
研究人员开发了一个结合计算流体动力学（CFD）和机器学习的高保真建模框架，用于表征压水堆中的流场。该方法使用物理信息数据集来训练机器学习模型，以重建缺失的流速数据并预测未来的流动模式。由于能够捕捉复杂时空动力学，像ConvLSTM这样的空间感知架构比基于序列或算子学习的模型更有效。
-
新AI方法解决复杂微分方程
研究人员正在探索新颖的神经网络架构和训练方法，以改进复杂微分方程的求解。论文介绍了改进的神经算子，该算子包含一个辅助函数维度以改进嵌入演化；以及分支神经粗糙微分方程，它为随机和流形值动力学提供了一个统一的框架。其他工作侧重于物理信息神经算子（PINOs），考察训练流水线的效率和鲁棒性，并提出曲率感知动态精度方法来平衡计算成本和准确性。
-
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模型改进传感器数据的仿真到真实推断
研究人员开发了Sensoformer，一个新颖的集合注意力框架，旨在改进从稀疏和可变传感器数据中进行推断。通过集成物理结构化域随机化（PSDR），该模型学习域不变的物理算子，解决了仿真到真实迁移和不规则传感器几何形状的挑战。在地震源反演测试中，Sensoformer的表现优于MPNN和DeepONet等现有方法，展示了最先进的精度，并通过其注意力机制发现了最优传感器设计原理。
-
深度算子网络对复合材料变形进行预测并量化不确定性
研究人员开发了一种深度算子网络（DeepONet）来预测碳/环氧复合材料的工艺诱导变形。这种数据驱动的代理模型结合了基于物理的模拟和实验测量，以考虑热膨胀和固化收缩。该研究还纳入了迁移学习和集成卡尔曼反演（EKI）来提高预测精度和量化不确定性，从而有助于优化制造工艺。
-
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。