Fourier Neural Operators
PulseAugur coverage of Fourier Neural Operators — every cluster mentioning Fourier Neural Operators across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新的FNO-LS方法增强了AI处理复杂数学映射的能力
研究人员开发了一种名为带最小二乘读出重拟的傅里叶神经算子（FNO-LS）的新方法，以提高学习随机障碍到解的映射的准确性。该技术涉及训练一个傅里叶神经算子（FNO），然后使用最小二乘法在训练数据上重拟其最终的线性读出层。与DeepONet和标准FNO等其他模型相比，FNO-LS方法表现出更优越的性能，尤其是在处理复杂几何形状和更高振幅的障碍物时。这种训练后增强提供了一种简单而有效的方法来提高学习表示的准确性，而无需改变非线性骨干。
-
新的BREIT框架通过三维EIT增强脑卒中重建
研究人员开发了BREIT，一个旨在利用多频电阻抗成像（MF-EIT）改进脑卒中重建的新框架。该框架通过提供数据生成、模拟和评估的标准化流程，解决了当前三维深度学习重建方法的局限性。BREIT包括一种将CT/MRI扫描转换为电特性分布的方法，一个用于模拟MF-EIT电压的基于Python的求解器，以及一个支持非均匀电极布局的实现。该框架被用于开发dFNO-bar，一个集成了傅里叶神经算子和D-bar方法的模型，与现有技术相比，在脑卒中成…
-
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。
-
Hartley 神经算子提供傅里叶神经算子的实值替代方案
研究人员推出了一种名为 Hartley 神经算子 (HNO) 的新模型，旨在效仿傅里叶神经算子 (FNO) 的能力，但侧重于实值偏微分方程 (PDE) 解。与使用复数算术和快速傅里叶变换 (FFT) 的 FNO 不同，HNO 采用实离散 Hartley 变换，从而实现纯实值谱表示。这种区别使得 HNO 在处理具有实值格林函数的自伴椭圆算子（如泊松方程和双调和方程）时更高效、更准确。相反，FNO 更适合处理涉及相位的时变算子（如波动方程…
-
新的Hartley神经算子为求解偏微分方程提供了一种实值替代方案，可替代FNO
研究人员推出了一种名为Hartley神经算子（HNO）的实值替代方案，用于求解偏微分方程，以替代傅里叶神经算子（FNO）。HNO利用离散Hartley变换，为每个谱模式学习一个单一的实数乘数，从而避免了FNO的复数傅里叶域方法中存在的复数运算和潜在的冗余。研究表明，HNO在具有实对称格林函数的自伴椭圆算子上表现更好，而FNO则更适用于涉及相位的时间相关算子，例如波动方程或对流方程中的算子。
-
新的测试方法验证科学机器学习代理
研究人员开发了一种新的方法来测试科学机器学习（SciML）代理，这些代理可以近似复杂的模拟。所提出的方法称为域有效性门控变形测试，解决了在无法获得精确输出时验证这些代理的挑战。它引入了一个评分标准来筛选候选的变形关系是否具有域有效性，以及一个可执行资产格式来记录测试细节和判决。对 MeshGraphNets 和 PhysicsNeMo 的案例研究证明了该方法能够区分模型级别的违规和域外应用。
-
算子增强框架创建高效的神经偏微分方程代理模型
研究人员开发了一个名为算子增强（Operator Boosting）的新框架，用于创建更高效的神经网络代理模型来求解偏微分方程（PDE）。该方法分阶段训练残差场上的小型神经网络算子，逐步优化预测结果。该方法在各种 PDE 基准测试（包括 Navier-Stokes 和 Darcy 流）上，参数数量显著减少（通常在 72-95% 之间），同时实现了相当或更高的准确性。
-
机器学习通过改进闭合关系增强等离子体模拟
一篇新发表在arXiv上的综述文章详细介绍了机器学习技术在改进等离子体模拟中的应用。文章重点关注等离子体矩的闭合关系的开发，这对于流体模型至关重要。文章回顾了两种主要的机器学习方法：神经网络代理模型，包括多层感知机和傅里叶神经网络算子；以及方程发现方法，如稀疏回归。综述还强调了准确性、泛化能力以及稳定集成到大规模模拟等方面的挑战。
-
新的LFNO框架统一了拉普拉斯和傅里叶算子以用于动力学系统
研究人员开发了拉普拉斯-傅里叶神经算子（LFNO），这是一个用于建模动力学系统的新颖框架。LFNO通过将系统动力学分解为瞬态和稳态分量，独特地结合了拉普拉斯和傅里叶神经算子的优点。在包括ODE和PDE系统在内的九个基准测试中的评估表明，LFNO的性能优于现有算子，尤其是在瞬态主导的ODE系统中，并在PDE基准测试中表现出竞争力。
-
新的FNO架构增强了高频学习和物理精度
研究人员开发了傅里叶神经算子（FNO）的新框架，以提高其学习高频信息和物理性质的能力。SirenFNO利用正弦表示网络学习全网格频谱，无需频率截断，以更少的参数优于标准FNO。GENERIC-FNO将非平衡热力学的能量守恒和熵产生直接嵌入函数空间，展示了精确的结构保证和在各种PDE上的竞争性性能。此外，傅里叶多组分和多层神经网络（FMMNNs）将正弦型激活与多组分结构相结合，实现了指数级的表达能力和有利于高频目标的优化格局。
-
新AI模型减少了对已标记仿真数据的需求
研究人员推出了一种新颖的神经算子预训练框架PI-JEPA，旨在减少多物理场仿真中对大量已标记仿真数据的需求。该方法利用未标记的参数场和基于物理信息的方法，能够以显著更少的完整PDE求解进行有效训练。与FNO和DeepONet等现有模型相比，PI-JEPA表现出更优越的性能，尤其是在有限的已标记运行中进行微调时，从而降低了部署多物理场代理所需的仿真预算。
-
傅里叶神经网络算子在分辨率泛化方面存在困难
一篇新的研究论文探讨了傅里叶神经网络算子（FNOs）在不同空间分辨率泛化方面的局限性。研究发现，直接在更精细的网格上进行推断并不总能提高性能，有时甚至比上采样低分辨率预测的效果更差。这种现象归因于中间表示将能量集中在低频，高频输出主要在后期生成，这表明非线性混叠是FNOs中零样本分辨率等变性的一个重要障碍。
-
新的诊断工具评估学习型物理模拟器
研究人员引入了一种名为归一化半群误差的新诊断工具来评估学习型物理模拟器。该方法通过比较直接演化和顺序演化来评估这些模拟器的时间组合和长时序展开能力。在一维热和Burgers动力学上的实验表明，半群误差与展开性能下降呈正相关，表明其作为评估指标的效用。
-
混合物理信息神经网络推动电力系统设计
一篇新的综述文章探讨了使用混合物理信息神经网络（PIML）来增强电力系统。这些方法将物理定律嵌入机器学习模型，提高了准确性和效率，尤其是在数据稀缺的情况下。文章详细介绍了各种PIML架构及其在故障检测和数字孪生等领域的应用，强调了它们优于纯数据驱动的方法。
-
AI可解释性借助稀疏自编码器在ASR和函数算子方面取得进展
研究人员正在探索解释复杂AI模型内部工作机制的先进技术。一篇论文详细介绍了稀疏自编码器（SAE）在Whisper等自动语音识别（ASR）系统中的应用，揭示了语言和非语言特征，并展示了跨语言能力。另一项研究引入了稀疏自编码器神经算子（SAE-NO），它将概念表示为函数而非固定维度的向量，从而能够更细致地理解概念如何在输入域中表达以及在哪里表达，这对于具有空间或频率结构的数据尤其有益。
-
量子模型通过多阶段残差学习高频函数
研究人员开发了一种新技术来解决量子机器学习模型中的频率学习偏差。该方法借鉴了经典傅里叶神经算子，通过多阶段残差学习，迭代地在先前阶段的误差上训练额外的量子模块。在合成数据上的实验表明，这种方法显著提高了量子模型解析多个频率的能力，优于单阶段模型。
-
SPAMoE框架通过频谱感知神经网络算子增强全波形反演
研究人员开发了SPAMoE，一个旨在提高地下速度模型重建的全波形反演（FWI）效率和准确性的新框架。该方法通过引入一个频谱保持编码器和一个用于专家混合（Mixture-of-Experts）集合的动态路由机制，解决了多尺度地质特征中的频率纠缠挑战。在OpenFWI数据集上的实验表明，与现有基线相比，SPAMoE显著降低了平均绝对误差，为基于学习的FWI建立了一个新的架构框架。
-
Isotropic Fourier Neural Operators
研究人员引入了各向同性傅里叶神经网络算子，这是对现有傅里叶神经网络算子的改进，旨在更好地尊重许多物理系统中固有的对称性。这种新方法通过在2D中最多减少16倍，在3D中最多减少96倍的参数量，从而提高了模型性能并显著减少了所需参数的数量。这些算子能够学习和求解偏微分方程，其速度通常超过传统方法。
-
AI模型高保真度预测海上风力涡轮机尾流
研究人员开发了一种使用傅里叶神经网络算子（FNO）和物理信息神经网络（PINNs）对浮动式海上风力涡轮机动态尾流进行建模的新方法。研究发现，与PINNs相比，FNO在捕捉复杂湍流结构和预测各种频率下的尾流行为方面更有效。FNO还显示出显著更快的训练时间，收敛速度比PINNs快八倍。
-
新的神经算子通过 Shearlet 和 LNF-NO 架构增强了 PDE 求解能力
两篇新的研究论文介绍了一种新颖的神经算子架构，旨在提高求解偏微分方程（PDE）的效率和准确性。第一种，线非线性融合神经算子（LNF-NO），将线性和非线性效应解耦，以实现更快的训练和更好的可解释性。第二种，Shearlet 神经算子（SNO），用 Shearlet 替换傅里叶变换，以更好地处理激波主导和多尺度问题中常见的各向异性结构和尖锐梯度。