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

Apr, 2023

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

Variational operator learning: A unified paradigm for training neural operators and solving partial differential equations

PDF

Tengfei Xu, Dachuan Liu, Peng Hao, Bo Wang

TL;DR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。

Abstract

Based on the variational method, we propose a novel paradigm that provides a unified framework of training neural operators and solving partial differential equations (PDEs) with the variational form, which we re

variational method neural operators partial differential equations steepest decent method conjugate gradient method

发现论文，激发创造

基于鲁棒的随机微分方程变分公式的深度学习求解线性偏微分方程

该研究探讨了利用 Monte Carlo 方法和深度学习解决高维偏微分方程（PDE）的有效算法，并提供了一些新方法，这些方法在利用梯度优化方法最小化相应损失时具有低差异性，并提高了所提到的现有深度学习方法的性能。

Jun, 2022

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

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

基于多小波算子的微分方程学习

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。

Sep, 2021

关于偏微分方程中各个领域和参数的微分同胚神经算子

通过可微分同胚神经运算符学习框架，提出了一种面向具有不同和复杂领域的物理系统的域灵活模型的方法，实现神经运算符在不同领域中的强大学习能力和鲁棒的概化。

Feb, 2024

运算符学习的数学指南

运算符学习是从数据中发现底层动力系统或偏微分方程的特性的过程。本文介绍了一个逐步指南，用于运算符学习，解释了适用于运算符学习的问题类型和偏微分方程，讨论了各种神经网络架构，并解释了如何有效使用数值 PDE 求解器。我们还提供了关于运算符学习中使用的各种神经网络架构的直觉，从数值线性代数的角度解释了它们的动机。

Dec, 2023

仅学习边界：一种物理信息神经运算器用于解决复杂几何形状中的参数化偏微分方程

通过将偏微分方程转化为边界积分方程，我们提出了一种新颖的物理信息神经算子方法，可在没有标记数据的情况下解决参数化边界值问题，并且能够处理无界问题。

Aug, 2023

基于有限元的物理知情的算子学习框架用于任意域的时空偏微分方程

我们提出了一种新颖的基于有限元的物理信息算子学习框架，用于预测由偏微分方程（PDEs）控制的时空动态。该框架利用了受有限元方法（FEM）和隐式欧拉时间积分方案启发的损失函数。通过考虑瞬态导热传导问题进行性能测试，该算子学习框架将当前时间步的温度场作为输入，预测下一个时间步的温度场。实施物理学约束的热传导方程 Galerkin 离散弱形式被用作损失函数，称为有限算子学习（FOL）。经过训练，网络成功预测了任意初始温度场的时间演化，与有限元方法解决方案相比具有较高的准确性。该框架也适用于具有异质热导率和任意几何形状的情况。FOL 的优势可以概括为：首先，训练是以无监督的方式进行的，避免了需要准备大量昂贵模拟或实验数据集的需求。相反，使用由高斯随机过程和傅里叶级数生成的随机温度模式结合恒温场作为训练数据，以覆盖可能的温度情况。其次，利用形状函数和向后差分逼近进行域的离散化，得到一个纯代数方程。这提高了训练效率，同时避免了在优化权重和偏差时耗时的自动微分过程，虽然可能会导致离散化误差。最后，由于有限元方法的插值能力，FOL 能处理任意几何形状，这对于解决各种工程应用场景至关重要。

May, 2024

学习半线性神经算子：一种统一递归框架用于预测和数据同化

使用基于学习的状态空间方法计算无限维半线性 PDE 的解算符，结合预测和修正操作，该方法能够在长时间范围内进行快速准确的预测并根据稀疏采样的噪声测量修正解算结果。

Feb, 2024

PICL：基于物理信息的对比学习用于偏微分方程

利用对比预训练框架和广义对比损失实现神经算子在多个方程上的泛化，提高了傅里叶神经算子在固定未来任务中的准确性和泛化能力，同时在一维热、Burgers' 和线性对流方程的自回归展开和超分辨率任务中表现出相当的性能。

Jan, 2024