neural operator
PulseAugur coverage of neural operator — every cluster mentioning neural operator across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的神经网络算子方法推动函数-函数回归发展
研究人员提出了一种新颖的神经网络算子方法用于函数-函数回归，超越了传统的线性模型。这种方法被称为可分离神经网络算子，使用依赖于输入的系数和依赖于输出的基函数来表示回归算子。该方法在温和条件下表现出一致性，并已应用于BGC Argo数据进行海洋学研究。
-
新框架使用等变神经场进行可扩展的走时预测
研究人员引入了等变神经欧拉求解器（Equivariant Neural Eikonal Solvers），这是一个结合了等变神经场（Equivariant Neural Fields）和神经欧拉求解器（Neural Eikonal Solvers）的新框架。该方法使用一个共享的神经网络骨干，并以信号特定的潜在变量为条件来建模各种欧拉解。等变神经场的集成确保了潜在点云的变换能够导致欧拉解的可预测变化，从而提供增强的表示效率和几何基础。该…
-
新的算子 NJ-ODE 解决无限维函数空间问题
研究人员引入了算子神经跳跃常微分方程（NJ-ODE）来解决在无限维函数空间中预测连续时间随机过程的挑战。该新框架通过借鉴神经算子方法中的思想，扩展了先前仅限于有限维过程的 NJ-ODE 模型。算子 NJ-ODE 框架可以直接处理值函数问题，例如预测收益率曲线或波动率曲面，而无需进行离散化及其相关的损失信息。该论文还提出了一种新颖的近似策略，以证明这些 NJ-ODE 收敛到最优预测过程，这推广了有限维设置中的先前工作。
-
新的混合方法增强了用于复杂多尺度问题的神经算子
研究人员开发了LOD-MSNO，一种将LOD方法与神经算子相结合以应对解决多尺度问题挑战的新型混合方法。该方法旨在通过将LOD方法将解表示为基函数线性组合来提高神经算子的准确性，而神经算子通常在处理异质或振荡系数时遇到困难。这种混合方法旨在保持神经算子的计算效率，同时提高它们在复杂多尺度输入上的性能，这已通过理论误差估计和与现有神经算子基线的比较得到证明。
-
PGD-NO 神经算子支持 1000 万节点 3D 物理模拟
研究人员开发了 PGD-NO，这是一种新颖的神经算子，旨在克服大规模 3D 物理模拟中的内存限制。该模型利用预计算几何分解技术，将计算几何编码转移到预计算阶段。这种方法使 PGD-NO 能够处理超过 1000 万个节点的网格，这是现有架构通常会耗尽内存的规模。该模型展示了具有竞争力的准确性和可解释性，为高保真工业设计提供了更有效的解决方案。
-
ANCHOR框架增强了神经算子在偏微分方程模拟中的准确性
研究人员开发了ANCHOR，一个将神经算子与经典数值求解器相结合的新型框架，以提高时间相关偏微分方程（PDE）模拟的准确性和稳定性。这种混合方法使用物理信息误差估计器来监控和纠正长期预测中累积的误差，这是独立神经算子常见的问题。在六个典型PDE上的评估表明，ANCHOR能够限制误差增长并提高鲁棒性，同时与纯数值方法相比保持了计算效率。
-
新基准通过下游任务评估遥感超分辨率模型
研究人员推出了 GeoSR-Bench，这是一个新的基准数据集，旨在评估大规模遥感影像的超分辨率（SR）模型。与依赖 PSNR 或 SSIM 等视觉保真度指标的传统基准不同，GeoSR-Bench 集成了土地覆盖分割和基础设施测绘等下游任务。使用此基准进行的实验表明，标准 SR 指标的改进与在这些实际地球监测任务上的性能提升并不总是相关，这凸显了对集成任务评估的需求。