Fourier Neural Operators
PulseAugur coverage of Fourier Neural Operators — every cluster mentioning Fourier Neural Operators across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
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。
-
新的傅里叶神经算子扩展可处理复杂的偏微分方程
研究人员开发了傅里叶神经算子（FNOs）的扩展，旨在更好地模拟参数化和耦合的偏微分方程（PDEs）。所提出的方法结合了基于超网络的调制来处理参数化动力学，并探索了耦合系统的架构选择，以平衡共享结构与跨变量交互。在电容耦合等离子体方程和Gray-Scott系统等基准PDE上的评估表明，与现有基线相比，误差显著降低。
-
神经算子增强二维中子注量估计
研究人员开发了新的神经算子模型，特别是傅里叶神经算子（FNO）和U型神经算子（UNO），用于估计二维场景下的中子注量。这些模型经过训练，使用材料和源场来近似标量注量，其中一个FNO变体还结合了注量的单程近似。这些代理模型的性能通过离散纵标求解器的高保真解进行评估，并通过平均相对L2误差范数来衡量准确性。
-
新AI框架整合天气和涡轮机数据用于风电预测
研究人员开发了一种新的多模态框架，用于短期风电预测，该框架整合了来自风力涡轮机的SCADA数据和数值天气预报（NWP）预报。该方法通过将输入分解为标量和向量特征，并使用几何编码器处理旋转不变特征，解决了异构数据类型组合的挑战。该框架采用傅里叶神经网络算子（FNO）架构来模拟长距离时空关系，在三个真实风电场上的实验中显示出优于现有方法的性能。
-
傅里叶神经网络算子为耗散方程实现学习保证
研究人员已经为傅里叶神经网络算子（FNOs）在应用于耗散演化方程的时间-T解算子时，建立了近似和学习保证。分析表明，如果FNOs能够稳定地进行谱离散化，它们就可以有效地学习这些算子。该研究推导了FNO近似界限和多项式样本复杂度保证，学习速率取决于输入空间的平滑度、物理域的维度、非线性项和耗散的强度等因素。
-
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。