Jul, 2022

学习形变的傅里叶神经算子解决一般几何上的 PDEs

PDF
TL;DR本论文提出了基于深度学习的 Fourier 神经算子 (FNO) 的新框架 - geo-FNO, 用于求解偏微分方程，并可在任意几何图形上工作。该方法利用深度学习降噪算法，将不规则的物理空间映射到一个均匀的潜空间中，再应用 FNO 模型来求解偏微分方程。geo-FNO 比传统的数值求解方法快 $10^5$ 倍，比其它机器学习算法（如 FNO）的直接插值更准确。
发现论文，激发创造
  • 本地卷积增强的全局傅里叶神经算子用于多尺度动态空间预测

    通过改进的傅里叶层和注意机制，我们提出了一种新颖的分层神经算子，旨在捕获所有细节并在不同尺度上处理它们，以解决多尺度偏微分方程问题。在多个物理场景中进行实验，并在现有偏微分方程基准测试中取得卓越性能，尤其是具有快速系数变化特征的方程。

    Nov, 2023

  • 多网格张量化傅里叶神经算子用于高分辨率偏微分方程

    通过引入一种新的高效数据、可高度并行化的操作符学习方法，称为多网格张量化神经算子 (MG-TFNO)，我们解决了部分微分方程 (PDEs) 的学习解算符在高分辨率下存在的内存复杂度和数据稀缺性的限制。

    Sep, 2023

  • 混合精度加速 Fourier 神经算子

    通过对 Fourier neural operator（FNO）进行全精度和混合精度训练的内存和运行时时间进行分析，研究混合精度训练的数值稳定性，并设计了一种训练程序，有效减少了训练时间和内存使用，而在准确性上几乎没有减少，适用于 Navier-Stokes 和 Darcy 流动方程。

    Jul, 2023

  • 使用 Lifting Product Fourier 神经算符学习偏微分方程中的边界到域映射

    我们介绍了一种名为 Lifting Product FNO（或 LP-FNO）的新型基于 FNO 的架构，它可以将定义在低维边界上的任意边界函数映射到整个域中的解。在 2D 泊松方程中，我们展示了提议的 LP-FNO 的功效和分辨率独立性。

    Jun, 2024

  • 群等变傅里叶神经算子用于偏微分方程

    本研究旨在通过傅里叶神经算子来求解偏微分方程，从而将对称性编码到神经算子中以获得更好的性能和更容易的学习，通过将群卷积扩展到频域并设计傅里叶层使其在旋转、平移和反射等变换下等变，从而实现了广义的 G-FNO 体系结构。

    Jun, 2023

  • Vandermonde 神经算子

    该论文提出了一种基于 Vandermonde 结构矩阵的神经运算符 VNO，用于处理非等间距数据，比 FNO 方法更快且精度更高，并且优于非等间距方法 Geo-FNO。

    May, 2023

  • 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

  • 域不可知的 Fourier 神经算子

    提出了一种针对具有无规则几何形状和演变域的物理系统建模问题，称作 DAFNO 的新型神经算子体系结构，它在积分层架构中引入了平滑的特征函数，并利用 FFT 来将几何信息显式编码。在材料建模和气动力学仿真等基准数据集上，DAFNO 实现了与基线神经算子模型相比的最先进的准确性。

    Apr, 2023

  • 从谱的角度对傅里叶神经算子进行分析和改进的研究

    通过光谱分析明确展示了 Fourier 神经操作符在解决偏微分方程时相比卷积神经网络的显著有效性，并提出了 SpecBoost，一种集成学习框架，通过利用多个 Fourier 神经操作符来更好地捕捉高频信息，明显提高了在各种偏微分方程应用中的预测准确度，最高提升了 71%。

    Apr, 2024

  • 评估 Fourier 神经算子的对抗鲁棒性

    本研究提供了首次关于科学发现模型对抗鲁棒性的研究，通过在指定模型上生成敌对性的样本数据，我们发现模型的鲁棒性随着扰动水平的增加而迅速下降，这为评估基于机器学习的科学发现模型提供了敏感性分析工具和评估原则。

    Apr, 2022