$ eta^* $

新方法通过可学习的导数阶数增强神经算子

研究人员开发了一种名为“Fractional is Better: Learnable Derivative Orders in Neural Operator Learning”的新方法，该方法增强了用于求解偏微分方程的神经算子学习。该方法将可学习的分数阶导数特征纳入神经算子，从而提高了近似界限并提供了自动谱正则化。研究表明，最优导数阶数通常小于完整的偏微分方程阶数，这表明存在一个可以通过从数据中学习该参数来管理的偏差-方差权衡。