Fourier Neural Operators
PulseAugur coverage of Fourier Neural Operators — every cluster mentioning Fourier Neural Operators across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新诊断工具OperatorCLIP探究神经PDE模型中的文本理解
研究人员开发了OperatorCLIP，以调查神经PDE代理中的文本条件是否真正反映了语义理解。使用Darcy2D、ShallowWater2D和CNS3D模型的实验表明，与未条件化模型相比，恒定条件化导致了较低的平均测试误差。然而，任务文本和对比度对齐对性能的影响不太清楚，在不同任务中结果不一，并且存在显著的种子不确定性。该研究强调了需要严格的通路控制来准确评估文本条件化模型的语义能力。
-
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。
-
傅里叶神经网络算子学习非线性系统的李雅普诺夫函数
研究人员开发了一种使用傅里叶神经网络算子（FNOs）来近似非线性动力学系统的李雅普诺夫函数的方法。该方法旨在克服寻找李雅普诺夫函数的挑战，李雅普诺夫函数对于稳定性分析至关重要，但通常是系统特定的。该研究为李雅普诺夫解算子建立了理论基础，证明了其在某些稳定性假设下的明确定义性和连续性。数值实验表明，一个经过训练的FNO可以准确地近似参数化动力学家族的李雅普诺夫函数，凸显了神经网络算子在该领域的潜力。
-
新型Transformer增强神经算子预测气动性能
研究人员开发了一种预测透平机械叶栅气动性能的新方法，其功能类似于CFD模拟器。该框架首先预测Navier-Stokes方程的基本参数，如温度和压力，然后利用这些参数确定关键性能指标。引入了一种新颖的Transformer增强神经算子（TNO）来提高预测精度，在Rotor 37叶片数据集上优于现有的深度学习算子，如FNO和DeepONet。TNO通过四个数量级显著降低了敏感性分析和优化等下游任务的计算成本。
-
小波编码的傅里叶神经网络算子加速超材料设计模拟
研究人员开发了一种新方法，使用小波编码的傅里叶神经网络算子（FNOs）来解决物理学中的复杂特征值问题，特别是用于超材料设计。该方法能有效预测弹性波动方程的多个本征模，这些本征模代表了任意超材料几何结构中声波的变形模式。小波编码对于匹配FNO的空间-频谱结构至关重要，即使存在几何不连续性也能实现准确的模式选择和预测。这种代理模型显著加速了超材料设计的模拟阶段，与传统的有限元分析相比，速度提高了三个数量级，同时保持了高保真度。
-
Neural Operators accelerate FitzHugh-Nagumo dynamics modeling
研究人员开发了参数条件傅里叶神经网络算子（FNOs），为FitzHugh-Nagumo（FHN）系统创建了快速、可微分的代理模型。与传统求解器相比，这些模型能够以显著降低的计算成本精确模拟神经元电压动力学，包括兴奋性和振荡状态。FNOs在振荡状态下实现了低于0.1%的相对L2误差，并在兴奋状态下准确再现了触发阈值和传导速度等关键特征，展示了强大的泛化和外推能力。
-
新研究探索自适应且独立于域的神经算子 · 跟踪4个来源
研究人员正在探索神经算子（用于近似物理模拟）的新方法。一种方法LatentDDM，侧重于在较小的子域上预训练算子，然后使用轻量级模块来适应新环境，在Darcy流和不可压缩流模拟中显示出误差降低。另一篇论文介绍了欧几里得傅里叶神经算子（EFNOs）作为标准傅里叶神经算子（FNOs）的独立于域的替代品，通过将谱核参数化为物理波矢的连续函数，从而实现跨不同周期域的泛化。此外，一项研究调查了傅里叶神经算子中的稀疏性，区分了表示、参数、理论运算…
-
新型MPNO模型增强瞬态动力学预测的稳定性
研究人员开发了一种名为本构马尔可夫物理信息神经网络算子 (MPNO) 的新型神经网络算子，旨在提高瞬态动力学预测的稳定性，特别适用于具有强间断性的问题。与易受自回归不稳定性影响的小波神经网络算子 (WNO) 或仅能涌现稳定性的傅里叶神经网络算子 (FNO) 不同，MPNO 在结构上内置了限制其传播算子谱半径的约束。这种设计确保了具有有界误差的稳定自回归展开，这在 Burgers 方程和混凝土穿透模拟等偏微分方程 (PDE) 问题上得到…
-
AI 模型在实时托卡马克等离子体预测方面进行基准测试
研究人员开发了一个 AI 代理建模框架，用于实时预测托卡马克等离子体平衡，解决了传统 Grad-Shafranov 求解器的高计算成本问题。该研究在大型数据集上对五种神经网络架构——MLP、CNN、FNO、Transformer 和 KAN——进行了基准测试，评估了它们的准确性、效率和鲁棒性。虽然 Transformer 模型在分布内数据上实现了最高的准确性，但 CNN 在速度和可靠性方面表现出最佳的整体平衡，而 CNN 和 FNO …
-
神经偏微分方程算子中发现新的“错误物理后门”
研究人员发现神经偏微分方程（PDE）算子中存在一种新的漏洞，称为“错误物理后门”。这种攻击利用可重用的求解器存档，通过微妙地改变输入来触发在物理上看似合理但对于预期的物理参数而言不正确的输出来进行攻击。该方法已在各种 PDE 情况和模型架构（如傅立叶神经算子和 DeepONet）中得到验证，在保持低预测误差的同时实现了高成功率。这凸显了一个关键的验证差距，因为在未验证所用物理参数的出处的情况下，通用的类求解器行为是不够的。
-
New S2RL framework mitigates spectral bias in neural operators for underwater acoustics
研究人员开发了一个名为Spectral-Spatial Residual Learning (S2RL)的新框架，以解决傅里叶神经网络算子 (FNO) 中的频谱偏差问题。这种偏差会导致FNO产生过度平滑的预测，因为它会过滤掉高频分量，这对于准确捕捉水声应用中的干扰模式是有问题的。S2RL通过首先使用频谱全局传播器生成全局一致的预测，然后使用空间局部精炼器对其进行精炼以恢复高频细节，从而提高了预测精度。在南海数据集上的实验表明，S2RL…
-
新研究应对网络化系统中的因果推断挑战
两篇新研究论文探讨了在效应可能传播或相互干扰的复杂系统中的因果推断。第一篇论文《具有学习暴露映射的干扰因果推断》研究了学习到的传输过程中的不确定性如何影响溢出效应估计，并比较了机械模型与PINO和FNO等算子学习方法。第二篇论文《跨网络干扰下的可迁移因果效应估计》介绍了TranCE算法，该算法旨在估计一个网络人群中的因果效应并将其迁移到另一个网络，以解决协变量偏移和网络结构差异等挑战。
-
新管道为3D流体动力学模拟生成机器学习就绪数据集
研究人员开发了ChannelFlow-Tools，一个开源管道，旨在为3D阻塞通道流生成机器学习就绪数据集。这个驱动式配置系统集成了程序化障碍物生成、符号距离场体素化和Lattice-Boltzmann模拟，以创建计算流体动力学数据集。该管道确保几何生成的字节一致可重复性，并经过广泛验证，证明了其能够为训练代理模型生成物理上一致的数据。
-
新的MoFE框架使用混合专家和FNO进行加密货币预测
研究人员推出了一种新颖的深度学习框架MoFE，用于加密货币预测。该框架将傅里叶神经网络算子（FNOs）集成到混合专家（MoE）架构中，旨在捕捉非平稳加密货币市场的复杂动态。MoFE利用自适应FNO和卷积双域专家来学习频谱趋势和微观结构，并通过动态门控机制在不同市场状态之间进行自适应策略切换。在2020年1月至2025年12月的比特币数据上进行的实验表明，MoFE在T+1和T+5预测范围内均取得了最先进的性能，显著提高了方向准确性和信息…
-
深度学习从宏观测量中重建等离子体动力学数据
研究人员开发了一个深度学习框架，可以从宏观测量中重建低温等离子体的详细动力学信息。通过在PIC-MCC模拟数据上训练U-Net、傅里叶神经网络算子（FNO）和MeshGraphNet等神经网络，该系统可以从非侵入性测量的等离子体可观测量中推断出电子和离子能量分布函数（EEDFs/IEDFs）。FNO模型表现出最佳性能，能够准确恢复等离子体密度、温度和速率系数，这有望推动等离子体诊断和代理建模的发展。
-
新型L-FNO模型增强了随机系统中稀有事件的预测能力
研究人员推出了一种新颖的随机神经算子——洛伦兹傅里叶神经算子（L-FNO），旨在更好地处理现代运行系统中的不确定性和稀有事件。与标准神经算子不同，L-FNO充当条件强度估计器，结合了洛伦兹谱核来处理历史依赖性激励，并采用基于似然的训练目标。在包括疾病爆发预测和半导体故障检测在内的合成和真实世界数据集上的评估表明，与现有基线相比，L-FNO在事件似然性、校准和稀有事件检测方面表现更优。
-
新的ADEx-FNO框架统一了用于复杂几何形状的傅里叶神经网络算子
研究人员推出了一种新颖的ADEx-FNO框架，旨在增强傅里叶神经网络算子（FNOs）在涉及复杂和变化几何形状的应用。该方法将物理域嵌入固定的环境超立方体中，允许FNOs在不改变核心算子层的情况下处理不同离散化数据。ADEx-FNO在计算流体动力学（CFD）模拟中表现出显著的改进，减少了传统求解器所需的伪时间迭代次数，并在将学习到的数据迁移到不同物理条件方面显示出有希望的结果。
-
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。
-
新理论量化了神经算子在索伯列夫空间中的近似能力
研究人员开发了一个新的理论框架，用于理解神经算子在索伯列夫空间内的近似能力。该框架建立了模型复杂度和误差之间的明确关系，表明具有 \(\\mathcal{O}(\\varepsilon^{-d/s})\\) 参数的神经算子可以在 \(H^t\) 范数下均匀近似一个连续非线性算子。使用傅里叶神经算子在Burgers方程上的经验验证显示，测试误差低至 \(10^{-7}\)，相对误差约为 \(10^{-3}\)，性能大致按 \(N^{-\…
-
新的神经算子框架处理复杂的偏微分方程 · 2篇论文
两篇新的研究论文介绍了一种用于求解偏微分方程（PDE）的新型神经算子框架。第一篇，FB-C2CNet，利用固定基来编码和解码函数系数，降低了可训练维度和训练成本，同时适应散乱数据。第二篇，SC-NO，采用自组合架构，迭代应用骨干模块，模仿经典迭代求解器，逐步解析复杂的解特征，并减轻频谱偏差，特别适用于高频和多尺度问题。