Neural Operators
PulseAugur coverage of Neural Operators — every cluster mentioning Neural Operators across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新的LiNO算子提升了多分辨率神经网络的能力
研究人员推出了一种新颖的多分辨率算子——提升神经网络算子（LiNO），旨在增强从数据中学习微分方程解的能力。LiNO利用小波提升方案跨不同尺度自适应地分解和处理信息，从而能够同时捕捉全局动力学和精细尺度结构。这种方法实现了尺度感知建模，并在包括流体动力学和反应扩散系统在内的各种挑战性基准测试中，展现出优于现有神经网络算子的性能。
-
新方法增强了神经算子的鲁棒性和泛化能力
研究人员提出了一种新颖的方法来增强神经算子的鲁棒性和泛化能力。神经算子被用作偏微分方程（PDE）问题的数值求解器的快速替代。这种新方法被称为求解器集成对抗训练，它同时考虑了扰动对学习到的算子和底层数值求解器的影响。该方法区分了泛化和鲁棒性指标，并表明与仅考虑算子的方法相比，与求解器更深入的集成可以带来更有效的对抗性攻击、更好的样本选择和更高效的训练。
-
OperatorSHAP 为神经算子提供快速、准确的 Shapley 值估计
研究人员开发了 OperatorSHAP，一种用于估计神经算子中 Shapley 值的新颖方法。该方法解决了现有可解释性技术（如 FastSHAP）的计算成本和输入限制问题，特别适用于涉及不规则数据网格的应用。OperatorSHAP 提供了一种与网格无关的归因方法和一种与 Aumann-Shapley 值相关联的训练程序，在不同分辨率和网格大小下，无需重新训练即可与离散 Shapley 值保持一致。
-
新框架使神经算子能够从部分数据中学习
研究人员引入了神经算子过程（NOPs），这是一个结合了神经过程和神经算子的框架，用于从有限或部分观测中预测完整的输出场。该方法专为数据稀疏、不规则或不完整且需要考虑不确定性的科学问题而设计。NOPs 利用共享的编码器-解码器架构，并在函数回归和偏微分方程（PDE）基准测试中展示了可行性，在某些情况下可媲美密集网格的行为。
-
PhysGuard框架改进神经算子从仿真到现实的适配
研究人员开发了PhysGuard，一个旨在改进神经算子从仿真到现实适配的新框架。该方法利用仿真数据中的Fisher信息矩阵，在微调过程中识别并保护物理关键参数方向。PhysGuard旨在防止在标准微调过程中可能发生的、尤其是在显著的领域偏移下，基本物理表示的退化。实验表明，与传统的微调方法相比，PhysGuard可将低频误差最多降低32%，同时保持了适应性。
-
新型自适应内存门增强神经算子性能
研究人员开发了一种用于神经算子（AMGFNO）的自适应内存门，以提高其在求解时间相关偏微分方程（PDE）方面的性能。现有的增强内存神经算子使用固定的内存权重，这限制了它们在分辨率或物理参数等不同观测条件下的适应性。AMGFNO引入了一个可学习的门控机制，可以动态调整内存权重，在Kuramoto-Sivashinsky和Burgers方程上，尤其是在低分辨率下，显著降低了归一化均方根误差（nRMSE）。
-
新框架增强了气动仿真中的神经算子
研究人员开发了一个名为GeoABC的新框架，以提高神经算子在气动仿真中的准确性。该方法显式地模拟了边界附近流动的各向异性性质，其中流动行为沿壁面与垂直于壁面的行为不同。通过将边界几何作为方向先验，GeoABC增强了预测能力，并显著减少了误差，使得神经算子更适用于高保真气动仿真。
-
一致性预测为物理模拟提供新的不确定性保证
研究人员将分裂一致性预测（split conformal prediction）创新性地应用于基于神经算子（neural operator）的物理模拟，提供了具有正式覆盖保证的无分布预测区间。该方法应用于稳态热传导基准测试，在 0.1 的 alpha 水平下实现了 89.1% 的经验覆盖率。该方法还提供了不确定性分解，区分了认知不确定性（epistemic uncertainty）和随机不确定性（aleatoric uncertain…
-
神经算子混合模型提升算子学习效率
研究人员开发了一种名为神经算子混合模型（MoNOs）的新方法，以提高算子学习系统的效率。该方法将输入函数路由到特定的“专家”神经算子，从而降低每次查询的计算复杂度。研究表明，与传统的单一算子结构相比，MoNOs可以用更小的活跃专家规模来近似算子，并具有近似精度的理论保证。
-
论文将神经算子与微分方程联系起来以实现更好的泛化
一篇新论文探讨了传统微分方程模型与现代数据驱动方法（如神经算子）之间的关系。它认为许多建模策略共享一个通用结构，主要区别在于它们假设的输入-输出映射。研究表明，只有某些模型能够进行真正的机制发现和随后的泛化，从而为它们的适当应用提供了见解。
-
新的谱审计方法评估神经算子保真度
研究人员开发了一种新的基于雅可比矩阵的谱审计方法，用于评估神经算子和上下文算子学习模型。该方法超越了简单的预测误差，评估了局部动力学结构，包括灵敏度、频率响应和稳定性。该审计可以揭示标准指标可能遗漏的算子保真度问题，例如高频退化或提示-算子不一致性，为学习到的算子提供更全面的诊断。
-
新研究揭示SciML模型中的三状态结构
研究人员发现，无论使用何种具体的模型、约束执行或优化器，科学机器学习（SciML）模型都存在一个一致的三状态结构。优化效果在这些状态之间存在显著差异，表明没有一种单一方法是普遍最优的。该研究还揭示了SciML模型中细粒度的失效模式，这些模式会使标准的损失景观解释复杂化，并提供了一个理解和改进SciML鲁棒性的新框架。
-
神经网络算子将CFD中的贝叶斯逆向设计加速1000倍以上
研究人员开发了一种方法，通过集成神经网络算子来显著加速计算流体动力学（CFD）的贝叶斯逆向设计。该方法允许从有限的流动数据中推断空气动力学几何形状，同时准确量化不确定性。通过在马尔可夫链蒙特卡洛采样循环中用训练好的深度算子网络替换计算成本高昂的CFD求解器，推理时间减少到一秒以内，速度提高了三个数量级以上。该研究还探索了用于单次几何重建的直接逆向神经网络算子，展示了在空气动力学应用中进行实际的、考虑不确定性的逆向设计的潜力。
-
新AI方法解决复杂微分方程
研究人员正在探索新颖的神经网络架构和训练方法，以改进复杂微分方程的求解。论文介绍了改进的神经算子，该算子包含一个辅助函数维度以改进嵌入演化；以及分支神经粗糙微分方程，它为随机和流形值动力学提供了一个统一的框架。其他工作侧重于物理信息神经算子（PINOs），考察训练流水线的效率和鲁棒性，并提出曲率感知动态精度方法来平衡计算成本和准确性。
-
基于物理的主动学习提高了神经算子训练效率
研究人员开发了一种名为基于物理的获取（physics-based acquisition）的新型主动学习技术，以提高训练神经算子以求解偏微分方程的效率。该方法利用方程的残差来智能地选择信息量最大的数据样本，从而减少了训练所需的总体数据量。在1D Burgers方程和2D可压缩Navier-Stokes方程上的实验表明，该方法优于随机获取，并在结合了基于物理的归纳偏置的同时，达到了最先进的数据效率。
-
新框架改进了神经算子对不连续性的处理能力
研究人员开发了一个名为 Cut-DeepONet 的新框架，以改进神经算子在处理偏微分方程中的不连续性和尖锐过渡的方式。该方法将域划分为平滑区域，并在更高维度的空间中表示不连续性，从而避免直接近似。实验表明，Cut-DeepONet 通过使用更少的参数和改变问题的表示方式，即使在低分辨率数据下也优于现有方法。
-
Martingale Neural Operators 通过 Doob-Meyer 分解学习随机边际
研究人员开发了一种名为 Martingale Neural Operator (MNO) 的新型神经算子架构，旨在处理随机偏微分方程 (SPDE)。与现有塌缩为条件均值的确定性算子不同，MNO 利用 Doob-Meyer 定理直接将初始条件映射到终端定律的条件均值和协方差。这种方法通过恢复方差和尾部结构，实现了高效的不确定性量化，在 Wasserstein 距离和速度方面优于条件扩散基线。
-
新方法通过自适应算子变换提升偏微分方程预训练
研究人员开发了AOT-POT，一种在多样化偏微分方程（PDE）数据集上预训练神经算子的新颖方法。该方法将复杂的解算子转换为更简单、对齐的形式，单个神经网络可以有效地对其进行建模。AOT-POT在12个PDE基准测试中取得了最先进的性能，参数增加极少，并显著降低了域内和域外PDE的误差。
-
NSPOD方法加速迭代线性求解器的收敛
研究人员开发了一种名为神经子空间本征正交分解（NSPOD）的新型深度算子网络，以加速迭代线性求解器的收敛。该方法旨在显著减少求解参数化偏微分方程所需的迭代次数，尤其是在复杂、非结构化几何形状中。对于固体力学偏微分方程，NSPOD在性能上优于包括代数多重网格方法在内的现有最先进预条件子。
-
神经算子在插值、分辨率鲁棒性和贝叶斯推理方面取得进展
研究人员正在探索神经算子（一类用于学习函数空间之间映射的模型）的新应用和改进。一篇论文将神经算子重新构建为高效函数插值器，证明了它们在解析基准和核质量模型等科学数据中的有效性，同时比传统方法需要更少的参数和更短的训练时间。另一项研究引入了 QuadNorm，一种新颖的归一化技术，可增强神经算子的分辨率鲁棒性，减少不同数据分辨率之间的迁移误差，并提高在各种 PDE 基准上的性能。第三篇论文提出使用神经算子来摊销概率条件化，开发了一个可以…