DeepONets
PulseAugur coverage of DeepONets — every cluster mentioning DeepONets across labs, papers, and developer communities, ranked by signal.
3 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。
-
LSR-Net架构学习非线性流体动力学演化
研究人员推出LSR-Net，这是一种新颖的神经算子架构，旨在模拟非线性流体动力学的正向演化。该网络通过将积分核分解为长程和短程分量，有效地从初始状态和未来状态快照中学习演化算子。短程分量使用卷积处理局部动力学，而长程分量则利用指数和表示来高效计算全局交互。在Burgers方程和浅水方程等基准问题上的评估表明，LSR-Net在预测精度上优于FNO和DeepONets等现有方法。
-
新理论赋能非线性算子及其导数的学习
研究人员首次为k次可微非线性算子及其导数建立了通用逼近定理（UATs）。这项突破在最近的一篇arXiv论文中详细阐述，将算子学习的基础概念扩展到无限维空间。该工作引入了导数感知算子学习（DIOL），一个能够学习非线性算子及其导数的新框架，在更高阶精度、约束优化和求解无限维偏微分方程方面具有潜在应用。
-
新的深度学习模型增强了AAA血流动力学预测
研究人员开发了一种新颖的改进型多输入多输出物理信息深度算子网络（M3PI-DeepONet）架构，以更准确地预测腹主动脉瘤（AAA）中复杂的3D血流动力学。该新模型集成了Navier-Stokes方程，并采用聚合注入策略融合来自多个输入分支的信息，从而实现自适应坐标基。M3PI-DeepONet的相对L2速度误差低于4%，压力误差约为5%，同时与传统的计算流体动力学模拟相比，推理速度也得到了显著提升。
-
新的DeepONet框架提高了准确性和效率
研究人员开发了新的固定和自适应拓扑DeepONets，它们通过使用连续线性泛函而不是固定点值来编码输入函数，从而改进了现有的深度算子网络。这个新框架旨在处理更复杂的输入空间，包括不可范化的空间，并提供更紧凑和可解释的坐标。在包括Navier-Stokes涡度算子在内的各种算子上的评估表明，与傅里叶神经网络算子相比，自适应拓扑DeepONet以显著更少的计算资源实现了高精度。
-
新定理推进了编码器-解码器神经网络的算子逼近
研究人员开发了一种专门针对编码器-解码器神经网络架构的新型通用算子逼近定理。该定理通过考虑更广泛的输入和输出空间（包括无限维范数或度量空间）来扩展现有工作。一项关键贡献是证明了逼近架构序列可以独立于紧集选择，这一性质在大多数相关的算子学习框架中都得到了严格加强。该框架兼容 DeepONets、BasisONets 和 MIONets 等各种架构，并特别包含了概率测度的 $p$-Wasserstein 空间和 càdlàg 函数的 Sk…
-
新的混合方法加速 MIONet 训练
研究人员引入了一种新颖的混合最小二乘法/梯度下降法 (LSGD)，旨在加速 MIONets 的训练。该方法将现有的用于 DeepONets 的 LSGD 技术进行了扩展。该方法将 MIONets 视为多线性函数，通过对单个分支网络进行交替最小二乘法过程来优化参数。为了处理大型系统矩阵，该技术利用 Kronecker 和 Khatri-Rao 积以及张量置换矩阵进行高效分解。
-
算子增强框架创建高效的神经偏微分方程代理模型
研究人员开发了一个名为算子增强（Operator Boosting）的新框架，用于创建更高效的神经网络代理模型来求解偏微分方程（PDE）。该方法分阶段训练残差场上的小型神经网络算子，逐步优化预测结果。该方法在各种 PDE 基准测试（包括 Navier-Stokes 和 Darcy 流）上，参数数量显著减少（通常在 72-95% 之间），同时实现了相当或更高的准确性。
-
AMORE网络加速刚性化学动力学模拟
研究人员开发了AMORE，一种自适应多输出算子网络，旨在加速刚性化学动力学模拟。该框架使用神经网络算子同时预测多个热化学状态，采用自适应损失函数来管理不同输出变量和样本的误差。AMORE还包含确保质量分数约束精确满足的机制，使其成为计算流体动力学在燃烧和高超音速等领域中一个有价值的工具。