Sep, 2021

基于多小波算子的微分方程学习

PDF
TL;DR本文介绍了一种基于多小波神经算子学习方案的解微分方程的方法，该方法使用细粒度小波压缩相关算子的内核，并通过显式嵌入逆小波滤波器，将内核投影到固定的多项式基上进行训练，在多个尺度上训练投影内核，实现了解微分方程的分辨率独立方案。与现有的神经算子方法相比，我们的模型在一系列数据集上展现出更高的准确性，并取得了最新的成果。
partial differential equationsmultiwavelet-based neural operator learningkorteweg-de vries equationburgers' equationnavier-stokes equation
发现论文，激发创造
  • 参数偏微分方程的傅里叶神经算子

    该论文提出了一种新的神经算子，通过直接在傅里叶空间中参数化积分核，实现了对偏微分方程的求解，并在 Burgers' equation、Darcy 流和 Navier-Stokes 方程等测试中展现了高准确率和比传统方法高三个数量级的速度。

    Oct, 2020

  • 用于建模动态系统的 Waveformer

    通过波形函学习法学习动态系统解算符以提高准确性并超越现有的操作符学习算法的研究。

    Oct, 2023

  • 用耦合多小波神经算子学习来解决耦合偏微分方程

    本研究提出了一种耦合多小波神经算子的学习方案，通过在小波空间中对多小波分解和重构过程中的积分核进行解耦，解决了函数耦合映射的问题，使得求解偏微分方程组的效果得到显著提高。

    Mar, 2023

  • 物理启发的神经算子应用

    本文提出了一种端到端的框架，用于学习偏微分方程，首先通过物理感知神经算子实现了 1D 波动方程和 1D Burgers 方程的准确性和性能，并将其用于更多新的方程类型，以及在学习 2D 线性和非线性浅水方程中的应用。

    Mar, 2022

  • 变分算子学习：训练神经算子和求解偏微分方程的统一范例

    基于变分方法，提出一种新的培训神经网络算子和解决偏微分方程的统一框架，称为变分算子学习（VOL），VOL 可以以近乎无标签的方式有效地学习 PDE 的解算子，并利用最陡下降法和共轭梯度法进行更新。

    Apr, 2023

  • 神经算子：用于偏微分方程的图卷积网络

    本文旨在通过神经网络学习无限维空间（算子）和不同有限维空间之间的映射，并使用图网络进行内核积分计算。该方法在偏微分方程及其解的输入数据映射中具有实际应用价值，并在不同分辨率和离散化的近似方法之间实现了泛化。实验证明，所提出的图内核网络具有期望的性能，并与现有技术解算器相比表现出优异的性能。

    Mar, 2020

  • 动态高斯图算子：在任意离散力学问题中学习参数化的偏微分方程

    本文提出了一种名为动态高斯图算子（DGGO）的新型算子学习算法，它将神经操作器扩展到任意离散力学问题中的学习参数偏微分方程（PDEs），通过动态高斯图（DGG）核将在一般欧几里得空间中定义的观测向量映射到高维均匀度量空间中定义的度量向量，致力于解决复杂的计算域上的通用性问题。

    Mar, 2024

  • 傅里叶神经算子用于学习宏观交通流模型的解：正向和反向问题的应用

    使用深度学习方法研究交通流中非线性双曲型偏微分方程的解决方案，通过训练算子来预测宏观交通状态和密度动态，以及改进冲击预测和物理约束问题。

    Aug, 2023

  • 神经算子：学习函数空间之间映射

    本研究介绍了神经算子，它是一种学习算子的新型神经网络，能够在无限维函数空间中进行映射。我们证明了神经算子的广义逼近定理，可以逼近任何连续非线性算子。研究还提出了四类高效的参数化方法，并在偏微分方程的解算子的代理映射中应用了神经算子，结果表明相较于传统 PDE 求解器和现有的机器学习方法，神经算子具有更好的性能优势且速度更快。

    Aug, 2021

  • 多层次深度学习对偏微分方程的应用：以 Burgers 方程为例

    本论文提出了一种多级深度学习方法来解决非线性偏微分方程（PDEs），该方法能够高效地学习方程的解，并且在预测准确性上优于现有的单级深度学习方法

    Sep, 2023