DeepONets
PulseAugur coverage of DeepONets — every cluster mentioning DeepONets across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。