Ekaterina Pleshakova

新型神经算子结合DMD和深度学习，实现高效PDE建模

研究人员开发了一种新颖的神经算子，它将动态模式分解（DMD）与深度学习相结合，以高效地模拟时空过程。该方法旨在通过自动提取关键系统动力学来降低求解偏微分方程（PDE）的显著计算成本。比较分析表明，该方法在热方程、拉普拉斯方程和Burgers方程上实现了高重建精度，优于DeepONet和Fourier Neural Operators等现有模型。