Neural Operators
PulseAugur coverage of Neural Operators — every cluster mentioning Neural Operators across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。
-
TurtLES基准测试发布,用于湍流3D神经PDE代理
研究人员发布了TurtLES,这是一个包含14TB数据的、用于湍流3D神经PDE代理的大规模基准测试数据集。该数据集包含400个3D湍流圆柱尾迹轨迹,通过高保真模拟计算得出,每个轨迹包含400个时间步长和每帧数百万个点。TurtLES旨在通过引入物理上真实的湍流、密集不规则网格和长时域动态,来解决现有基准测试的局限性,为计算流体动力学中的神经算子提供更严格的测试。
-
新的自监督方法为神经算子创建通用潜在空间
研究人员开发了一种新颖的神经算子自监督预训练方法,将表示学习与算子学习解耦。该方法借鉴了自然语言处理和计算机视觉领域的进展,使用在合成解析函数上训练的功能自编码器来创建函数的通用潜在空间。这个冻结的潜在空间可以跨各种任务重用,包括求解偏微分方程和处理自然图像,从而在准确性、吞吐量和内存效率方面取得显著改进。
-
AI求解器将中子星物理学速度提升1000倍
研究人员开发了无监督神经算子,能够以高精度和显著降低的计算成本解决控制旋转中子星内部的复杂方程。这些仅在偏微分方程上训练的算子,与传统方法相比,速度提升了1000倍。这一进展使得核物质状态方程的可扩展推断成为可能,并允许进行考虑了旋转结构和状态方程不确定性的自旋预测,使其在计算上可用于群体合成。
-
新的稀疏核方法推动不可压缩流算子学习
研究人员开发了一种新的局部和稀疏核方法,用于学习求解不可压缩流问题的算子。该方法通过使用局部无散插值和紧支撑核来改进先前的方法,从而实现稀疏算子回归。该技术可以在 GPU 上并行化,与神经算子等现有方法相比,在复杂流体动力学模拟方面,误差显著降低,精度相当或更高。
-
新的神经算子PUN解决了不确定性下的规划问题
一篇新研究论文介绍了一种名为Planning Under Noise (PUN) 的神经算子,旨在提高在控制执行不确定的环境中的规划能力。PUN学习噪声感知值场,并利用改进的蒙特卡洛求解器Walk on Stars (WoSt) 来处理复杂的几何形状和噪声梯度。该系统表现强劲,在4D重新规划基准测试中取得了高成功率和显著快于其他规划器的运行时间。
-
新型神经算子以理论保证解决凸优化问题
研究人员开发了一类新的神经算子,称为近邻平衡算子(PEOs),它们可以解决一系列凸优化问题。这些PEOs被设计用于通过在无限维空间中操作来处理无限多个相关问题。提出的训练算法和PEOs提供了对数秩和线性深度增长的统一逼近的理论保证,弥合了理论存在性声明与实际可实现性之间的差距。
-
新方法通过可学习的导数阶数增强神经算子
研究人员开发了一种名为“Fractional is Better: Learnable Derivative Orders in Neural Operator Learning”的新方法,该方法增强了用于求解偏微分方程的神经算子学习。该方法将可学习的分数阶导数特征纳入神经算子,从而提高了近似界限并提供了自动谱正则化。研究表明,最优导数阶数通常小于完整的偏微分方程阶数,这表明存在一个可以通过从数据中学习该参数来管理的偏差-方差权衡。
-
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。
-
新的 F$^3$NO 神经网络算子提高了 PDE 预测精度
研究人员开发了一种名为 F$^3$NO 的新型神经网络算子模型,旨在提高偏微分方程 (PDE) 预测的准确性和分辨率。该模型分解频率信息,使低频特征能够指导每一层内高频细节的细化。F$^3$NO 直接预测未来状态,并可以将并行预测与递归传播相结合以获得更长的轨迹,在五个 PDE 基准测试中显示出比现有方法更高的准确性。
-
LLM 使用先验知识和反馈来调整神经算子微调
一篇新发表在 arXiv 上的研究调查了大型语言模型(LLM)在微调神经算子时如何调整其决策过程。研究人员发现,LLM 同时利用初始的任务相关先验知识,并根据实验反馈进行调整。干预措施表明,LLM 的初始配置很强大,并且当验证分数改变时,后续的提议会发生变化,这表明其对观察到的结果很敏感。
-
新方法增强神经算子以进行复杂的物理预测
研究人员开发了新方法来提高用于预测复杂物理现象的神经算子的准确性和稳定性。第一种方法 ReAl 通过学习基准预测周围的残差分布来增强现有的神经算子,以恢复缺失的精细尺度结构,并使用轨迹级别奖励来对齐长时程动力学,尤其是在混沌系统中。第二种方法 F$^3$NO 采用频率分解的流映射神经算子,该算子使用更新的低频特征来指导高频信息的细化,将全局频谱处理与局部细节细化联系起来。两种方法在各种 PDE 基准的实验中都证明了比传统基线更高的预测…
-
AI求解器DAIST通过可重用组件加速3D-IC热建模
研究人员开发了一种名为DAIST的新型AI加速迭代求解器,用于复杂3D集成电路的热分析。该方法将仿真分解为块级子域问题,利用神经算子进行更快的计算。DAIST比传统求解器有显著的加速,在温度误差极小的情况下实现了高达178倍的速度提升。一个关键优势是其可组合性,允许块级模型在不同封装组合中重用而无需重新训练,并提供可控的精度-运行时权衡。
-
新的 R$^2$NO 框架将模拟神经网络算子适配到现实世界数据
研究人员开发了一个名为保留与修复神经网络算子 (R$^2$NO) 的新框架,以更好地将基于模拟预训练的神经网络算子适配到现实世界数据。该方法包括微调预训练算子,然后使用冻结版本提供基础预测。一个单独的修复模块随后学习改进,并与原始预测相结合。在 RealPDEBench 数据集上,R$^2$NO 的性能优于标准的微调和迭代改进技术。
-
新的局部梯度神经网络算子为动力学系统提供可解释的AI
研究人员推出了一种新颖的深度学习方法——局部梯度神经网络算子(LGNO),用于预测场的时间演化和识别动力学系统中的源。与现有的通常需要大量数据和参数的神经网络算子不同,LGNO被设计为轻量级且可解释。它利用非线性梯度离散化原理,并采用多层感知器卷积层来学习局部核,从而提高了各种偏微分方程基准测试的透明度和效率。
-
神经算子在逼近复杂数学半群方面展现出潜力
研究人员开发了一种使用神经算子逼近强连续凸单调半群的新方法。该研究介绍了Chernoff-神经算子,并证明了它们对Chernoff单步算子的通用逼近能力。通过利用稳定性估计,可以将这些单步算子的逼近误差传播到逼近相应的半群。此外,还为包络半群提出了包络-神经算子,实现了量化逼近率。这些方法在与非线性偏微分方程、随机最优控制以及模型不确定性下的随机过程相关的数值示例中显示出有效性。
-
新AI框架使用神经算子和因果注意力模拟材料行为
研究人员开发了一种新颖的数据驱动框架来模拟材料的本构行为,特别是针对路径依赖的非弹性材料。该方法将变形材料视为从其应变历史到其应力响应的函数映射,在一次并行传递中预测应力轨迹。该框架利用因果掩码注意力机制来捕捉时间路径依赖性,并利用谱卷积进行离散化不变表示,从而能够准确预测塑性和损伤累积等复杂现象。
-
新的框架核方法推动多尺度算子学习发展
研究人员推出了一种新颖的多尺度算子学习方法——框架核方法(Frame Kernel Method),旨在对复杂偏微分方程(PDEs)进行建模。该方法利用独特的、多尺度的核框架函数逼近技术,将算子学习转化为基于输入函数系数获取输出函数的框架系数。该技术支持张量积网格和点云,并提供插值证明、误差估计和数值收敛率。与现有的神经算子相比,框架核方法在具有挑战性的多尺度PDE问题上表现出更高的准确性,并且在泛化后能够实现后验多尺度分解。
-
Accelerated Understanding 押注于使用神经算子的物理原生 AI
Accelerated Understanding 正在开发一种利用神经算子和 4D 全轨迹预测的物理原生 AI。该公司强调,其方法侧重于跨空间和时间构建的物理上下文,而不是大型 token 上下文窗口。该 AI 的关键绩效指标包括守恒性、不确定性、外推性和闭环设计改进。
-
AI 物理模型:加州理工学院教授开创结构驱动方法
加州理工学院教授 Anima Anandkumar 开创了复杂物理系统 AI 模型的发展,挑战了规模是 AI 进步唯一途径的普遍观念。她的工作,特别是 FourCastNet 和 Neural Operators,表明即使在数据集有限的情况下,融入物理定律和归纳偏置也能在天气预报和聚变等领域取得准确预测。这种方法与语言模型中占主导地位的、依赖大量 token 的方法形成对比,为构建物理学基础模型提出了另一条结构驱动的路径。