Neural Operators
PulseAugur coverage of Neural Operators — every cluster mentioning Neural Operators across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。
-
新的高斯泼溅表示将物理学整合到神经算子中
研究人员开发了一种新颖的方法，将物理定律整合到神经算子模型中，以求解偏微分方程（PDE）。该方法使用前馈高斯泼溅表示来连接解场和控制算子，从而允许将物理 PDE 算子直接整合到学习到的演化映射中。在二维和三维 PDE 系统（包括平流、扩散和反应动力学）上的评估表明，与纯粹的数据驱动基线相比，预测误差显著降低，频谱保真度得到提高，即使物理方程仅部分已知。
-
两篇arXiv论文推进算子学习和TAMP
arXiv上的两篇新研究论文探讨了算子学习和任务与运动规划（TAMP）的进展。第一篇论文介绍了一种新颖的神经算子架构，可以在不依赖训练数据的情况下强制执行齐次狄利克雷边界条件，使其适用于通用几何形状和任意网格数据。第二篇论文提出了一个用于任务与运动规划（TAMP）中学习算子的系统，该系统可自动生成宏算子，将重复的动作序列压缩为单个规划步骤，从而显著加快规划速度并能够解决更长、更复杂的任务。
-
新的神经框架在无轨迹数据的情况下提高了 PDE 模拟的准确性
研究人员开发了一种新颖的自主偏微分方程 (PDE) 神经残差框架，可在无需大量轨迹数据的情况下提高长时外推的准确性。该方法利用数值先验来简化一步演化算子的近似，并利用弱形式 PDE 残差来估计一步误差项。该框架在五个基准案例和四类 PDE 中得到了验证，显示出外推误差的减少，并且优于十种竞争性的物理信息学习方法，提供了增强的长时模拟能力。
-
神经算子无法可靠地为PDE的牛顿求解器进行热启动
研究人员发现，在使用神经算子为非线性偏微分方程（PDE）的牛顿求解器进行热启动时存在一个关键缺陷。虽然神经算子可以降低测试误差，但它们仍可能产生离散雅可比矩阵不定的初始状态，导致求解器失败。这个问题之所以出现，是因为算子可能会将物理属性（例如超弹性问题中的体积变化）分散到远离其正确值的位置。为了纠正这种谱问题，研究人员提出了一种新颖的微调阶段，该阶段通过对算子施加离散能量惩罚，而无需额外的求解数据，从而在先前方法失败的加载范围内实现了…
-
新的MiNO方法学习偏微分方程传播子，以改进科学机器学习
研究人员开发了MiNO，一种通过关注传播子而非解场或映射来学习偏微分方程（PDE）的新方法。该方法利用eikonal方程来处理相位，利用输运方程来处理幅度，通过振荡积分来重构解。与传统的物理信息神经网络和监督傅里叶神经网络算子相比，MiNO在涉及不连续对流的基准测试中表现出更高的准确性和效率，并且无需重新训练即可泛化到未见的初始条件。
-
新方法增强了神经算子在测试时的泛化能力
研究人员开发了一种新颖的方法来提高神经算子（用于学习偏微分方程（PDE）解）的测试时泛化能力。所提出的策略涉及在测试时拆分和组合现有的神经算子，使其能够在不重新训练的情况下处理未见的物理学和参数外推。该方法在具有挑战性的分布外任务上实现了最先进的零样本泛化结果，展示了测试时计算在创建更灵活和可组合的神经算子方面的潜力。
-
新的神经算子架构应对复杂的 PDE 预测 · 已追踪 4 个来源
四篇新研究论文介绍了用于求解偏微分方程 (PDE) 的新型神经算子架构。GeoIncNO 专注于面向几何的增量预测，以实现长时程稳定性，而 RECAST 提供了一个用于校正和超分辨率粗网格 PDE 求解器的框架。Kuramoto 神经算子 (KNO) 利用耦合振子动力学，而 MoNo 则利用多尺度最优传输在通用几何上构建稳定的潜在空间。这些方法旨在提高 PDE 模拟在各种科学和工程领域的准确性、稳定性和计算效率。
-
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^{-\…
-
新型凸神经网络能量单元可实现可复用的有限元分析
研究人员开发了一种新的方法，用于创建可复用的、几何参数化的神经网络单元，用于有限元分析。该方法通过确保组装后的系统即使在单元刚度奇异的情况下也保持正定性，从而解决了先前方法中的结构性故障问题。新的凸神经网络能量单元以超网络生成的二次形式实现，提供了条件误差界限，并在各种几何形状和物理问题（包括热传导和平面应变弹性）的设置时间上实现了显著的加速。
-
新的特征交互模型增强了物理信息神经网络
研究人员开发了新的方法来增强物理信息神经网络（PINNs）和神经算子的表达能力。通过融入受因子分解机启发的特征交互模块，这些模型能够更好地捕捉参数化偏微分方程（PDEs）中变量间的复杂关系。提出的FM-PINN和FM-Operator模型在处理非线性守恒律以及具有尖锐梯度或不连续性的问题方面表现出特别的有效性，从而在挑战性方程上实现了显著的精度提升。
-
新的HERO训练方法提高了神经算子长时域的准确性
研究人员引入了HERO（History-Enriched Rollout Training，历史增强回滚训练），一种旨在提高自回归神经算子长时域准确性的新方法。该技术解决了模型递归使用自身预测时误差累积的问题，这是模拟时间相关偏微分方程时的一个常见问题。HERO通过整合源自模型优化历史的相对监督来增强标准训练，使用一组排序的候选回滚来建立更具信息量的比较基线。在九个PDE基准上的实验表明，HERO在不增加推理时间的情况下，始终提高了长…
-
算子学习框架加速干眼症分析
研究人员开发了一种新颖的算子学习框架来分析泪膜破裂，这是理解干眼症的关键因素。该方法用在模拟泪膜动力学上训练的神经算子取代了计算密集型的逆问题求解器。这种新方法有望为快速、数据驱动的泪膜行为分析提供可扩展的解决方案。