Fourier Neural Operator
PulseAugur coverage of Fourier Neural Operator — every cluster mentioning Fourier Neural Operator across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新的傅里叶神经算子改进了流体对流模型
研究人员开发了一种增强型傅里叶神经算子（FNO），用于模拟二维瑞利-贝纳尔对流。这种改进的FNO预测时间增量而非完整解，与标准的FNO基线相比具有更高的准确性。该模型非常紧凑，拥有31.4万个参数，大小为1.26 MB，推理速度快至7毫秒，同时保持了具有竞争力的准确性。
-
AI模型学习非线性薛定谔方程动力学
研究人员开发了一种几何条件傅里叶神经算子（FNO），用于模拟二维平面环面上三次非线性薛定谔（NLS）方程。该算子从解的实部和虚部以及长宽比参数中学习，以预测单步解。数值实验表明，FNO能够准确捕捉动力学并区分有理和无理几何形状，在有理环面上表现出更强的索伯列夫范数增长。消融研究证实了在长期预测精度方面，几何条件和保留的傅里叶模式的重要性，尤其是在有理几何形状中。
-
高阶FNO改进了用于非线性偏微分方程的神经网络算子 · 跟踪2个来源
研究人员推出了高阶傅里叶神经网络算子（HO-FNO），这是对傅里叶神经网络算子（FNO）的改进，旨在更好地处理非线性偏微分方程（PDE）。HO-FNO包含显式的n重线性模式混合能力，能够捕捉非线性偏微分方程特有的模式之间的结构化交互。实验表明，HO-FNO在保持FNO效率的同时，性能优于其他谱神经网络算子，并在泊松方程等高度非线性场景中与最先进的Transformer和状态空间模型相媲美。
-
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…
-
用于湍流AI建模的新数据集和管道
研究人员开发了一个经验证的数据集和管道，用于训练神经算子来模拟湍流3D阻塞通道流。管道中使用的格子Boltzmann求解器已通过实验测量进行了严格验证，包括斯特劳哈尔数和阻力系数。这项工作旨在实现对傅立叶神经算子和U-Net变体等代理模型的标准化比较，用于预测和超分辨率等任务，并使用物理信息指标来评估它们对湍流能量级串的表示。
-
一致性预测为物理模拟提供新的不确定性保证
研究人员将分裂一致性预测（split conformal prediction）创新性地应用于基于神经算子（neural operator）的物理模拟，提供了具有正式覆盖保证的无分布预测区间。该方法应用于稳态热传导基准测试，在 0.1 的 alpha 水平下实现了 89.1% 的经验覆盖率。该方法还提供了不确定性分解，区分了认知不确定性（epistemic uncertainty）和随机不确定性（aleatoric uncertain…
-
新的FNO方法使用格点以提高效率
研究人员开发了一种新的傅里叶神经算子（FNO）方法，提高了其效率和准确性。通过用秩-1格点替换标准张量积网格并使用双曲交叉频率索引集，该方法需要更少的参数和训练样本。这种基于格的双曲交叉FNO架构将高维傅里叶变换简化为单个一维快速傅里叶变换，展示了在求解偏微分方程方面的优势。
-
新的共形预测框架增强了神经算子不确定性的量化
研究人员开发了一个新的共形预测框架，用于量化神经算子学习中的不确定性，特别是在二维不可压缩Navier-Stokes方程方面。该方法使用基于扰动的方法，通过比较两个相似训练的神经算子的预测来估计不确定性。它旨在通过避免单独的不确定性网络的需求，在数据稀疏的情况下高效地提供校准的不确定性估计。
-
物理约束深度学习提升洪水预测精度
研究人员开发了一个新的基于物理约束的深度学习框架，用于先进洪水预测。该混合模型结合了UNet和傅里叶神经网络算子（FNO）架构，将多模态遥感数据与浅水方程的约束相结合。与现有方法相比，该方法在预测洪水范围和水位方面显著提高了准确性。
-
多智能体系统自适应热工水力AI模型
研究人员开发了一种新颖的多智能体治理框架，旨在实现热工水力代理模型的在线自适应。该系统使用独立的智能体进行监控、诊断、自适应、安全审计和编排来管理模型更新。与静态部署相比，该框架在预测准确性方面提高了 19.0%，平均绝对误差为 5.72，并将警告超限减少了 35.8%。这种方法允许对代理模型进行可审计的演进，同时保持对模型部署的控制。
-
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AI方法以改进的采样解决复杂逆问题
研究人员正在开发新方法来解决机器学习中的复杂逆问题，特别是在无法获得梯度信息的情况下。新技术旨在通过降低方差和提供理论保证来改进从高维、非对数凹分布中采样。这些进展已被应用于图像重建和贝叶斯推断等领域，与现有方法相比，在提高准确性和效率方面显示出前景。
-
AI模型应对稀疏传感器数据进行物理场重建
研究人员开发了几种新颖的AI框架，用于从有限的传感器数据中重建复杂的物理场。LASER利用潜在世界模型中的强化学习策略，主动指导传感器放置以优化数据采集。另一种方法Cascaded Sensing采用分层框架，结合自编码器-扩散级联，首先解决结构歧义，然后优化场重建。FLUIDSPLAT引入了一种使用高斯基元进行空间显式场表示的传感器条件模型，提供了理论近似保证。最后，MTL-FNO提出了一种轻量级的多任务傅里叶神经算子，用于高效地联…
-
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。
-
新的神经网络算子整合物理对称性以提高泛化能力
研究人员开发了一种新的神经网络算子，称为 PACE-FNO，通过整合已知的演化方程的连续对称性，能够更好地处理分布外场景。该模型将估计输入帧对齐和预测物理演化的任务分开，提高了泛化能力。在各种一维和二维方程上的实验表明，PACE-FNO 在分布内精度上与标准方法相当，同时显著减少了分布外误差。
-
新理论为PDE算子学习提供泛化界限
研究人员开发了一个应用于非线性抛物线偏微分方程（PDE）的算子学习理论框架。该方法侧重于从有限数据中学习解算子，强调离散化不变性和PDE特定结构。研究推导了区分实现误差和估计误差的泛化误差界限，表明增加“Picard深度”可以在不增加估计误差的情况下减少截断误差。
-
DuFal AI 模型通过学习双频来增强稀疏视图 CT 扫描
研究人员开发了 DuFal，一个从极有限的 X 射线投影重建高保真计算机断层扫描 (CT) 体积的新框架。这个双路径架构集成了频域和空域处理，利用专门的傅里叶神经网络算子来捕捉全局和局部的全频模式。该系统在 LUNA16 和 ToothFairy 数据集上，特别是在稀疏视图场景下，与现有方法相比，在保留精细解剖细节方面表现出卓越的性能。