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
-
新框架合成高光谱数据用于作物残茬测绘
研究人员开发了一个合成高光谱数据的框架,用于训练光谱解混模型,以解决作物残茬覆盖测绘中地面真实数据稀缺的问题。该研究提出了两种生成模型GD-Streamline和TCVAE,并使用多层感知机和傅里叶神经算子进行解混评估。研究结果强调了将光谱先验知识整合到生成框架中的必要性,以防止数据幻觉并确保准确的解混性能。
-
新的AFNO框架确保无套利金融预测
研究人员开发了一个名为AFNO(无套利神经网络算子)的新框架,旨在解决现有神经网络算子架构的局限性。标准的神经网络算子在预测欧洲看涨期权价格曲面时可能无法保证静态无套利,这可能导致交易应用中的财务损失。AFNO框架旨在通过将输入映射到无套利曲面的凸组合,提供一个通用的、可认证的无套利解决方案,确保更可靠的金融预测。
-
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。
-
新基准揭示PDE基础模型中显著的误差放大
一篇新发表在arXiv上的研究论文介绍了一个用于评估求解偏微分方程(PDE)的基础模型部署可靠性的基准。研究强调,虽然这些模型在短期精度方面表现出色,但由于误差放大,它们的性能在更长的模拟周期内可能会显著下降。研究建议报告与预测范围相关的误差和放大统计数据,而不仅仅是局部预测分数,以更好地评估模型可靠性。
-
新的Bregman视角推动神经算子研究
研究人员通过将神经算子的层操作视为Banach函数空间内Bregman正则化优化问题的解,引入了一种新的神经算子视角。这种方法可以将激活算子解释为Bregman近邻算子。该框架不仅包含了现有的神经算子,还提出了一种新颖的变体——Bregman神经算子,它包含了逆激活算子,并与标准神经算子的表达能力相匹配。实验表明,这种傅里叶神经算子的Bregman变体可以增强更深层、更精确模型的训练。
-
算子代理:逼近复杂算子的一种新方法
本文介绍了算子代理,一种用于创建有限参数映射的方法,该映射可以逼近无限维函数空间之间的复杂算子。文章详细阐述了编码器-逼近器-解码器范式,讨论了Banach框架、PCA和Active Subspaces等表示系统,以及傅里叶神经算子和Transformer等神经网络架构。该工作还讨论了逼近和泛化误差的理论分析,并强调了低维结构如何帮助克服维度灾难。
-
新型混合神经网络模型模拟超声波传播
研究人员开发了一种新颖的异质介质中超声波传播的神经代理模型,解决了现有方法的局限性。新模型集成了傅里叶神经算子(FNO)和U-Net架构,结合了两种方法的优点。该混合模型对噪声具有鲁棒性,并且即使在训练数据有限的情况下也能有效地学习波场,使其适用于高频超声传感应用。
-
新论文提出用于分析AI扩展极限的物理沙箱
一篇新论文提出了一个理论框架,通过将时空建模为一个离散的几何物理沙箱来分析人工智能的扩展极限。该方法旨在为人工智能开发注入非遍历性洞察,超越现有知识的统计平均值,以实现真正的语义新颖性。提议的系统由一个全息E8投影引擎提供动力,将对人工智能超级智能(ASI)实施严格的物理限制,以防止模型崩溃并确保人机共生。通过将算法限制在物理守恒的因果轨迹上,该沙箱可以将复杂性从NP问题崩溃到P问题,从而实现确定性的多项式时间计算。
-
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。
-
新研究通过自适应表示和迁移学习增强神经PDE求解器 · 跟踪6个来源
近期研究探索了改进偏微分方程(PDE)神经网络求解器的新方法。一种方法,“物理信息神经可塑性”,引入了一种范式,其中神经网络的表示在训练过程中动态重塑,以更好地处理复杂解。另一项研究调查了神经PDE求解器中“学习状态的可迁移性”,提出了评估和利用学习状态以提高计算效率的方法。此外,关于“任意维度机器学习”的研究表明,在较低维度上训练的模型可以应用于较高维度的PDE,从而在计算和数据方面节省大量成本。
-
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…