一种用于非对齐观测数据的混合解码器 - DeepONet 算子回归框架
本研究探索使用 DeepONets 方法推断未知气动翼型的流场并优化其形状,结果表明 DeepONets 非常适合生成未知形状的高准确度解决方案,可以在毫秒级时间内准确推断压强、密度和速度场等信息,为气动设计提供了极大的便利。
Feb, 2023
神经网络具有普适逼近能力,使用一层隐藏层即可精确逼近任何非线性连续算子,但需要 DeepONet 结构通过降低泛化误差以实现其潜力应用。
Oct, 2019
深度运算符网络 (DepthONets) 是一类学习函数空间之间映射的神经运算符,最近已被发展成为参数化偏微分方程 (PDEs) 的替代模型。本文提出了一种增强导数的深度运算符网络(DE-DepthONet),利用导数信息提高预测精度,尤其在训练数据有限时能提供更准确的导数近似。DE-DepthONet 将输入的维度降低到 DepthONet,并在损失函数中引入两种类型的导数标签进行训练,即输出函数相对于输入函数的方向导数和相对于物理域变量的梯度。我们在三个不断增加复杂度的方程上测试了 DE-DepthONet,以证明其相对于普通 DepthONet 的有效性。
Feb, 2024
本文研究了两种神经算子的性能,提出了它们的实际扩展,使它们更加准确、鲁棒,并适用于工业复杂应用,针对多个基准测试问题,将其与已有神经算子进行比较,证明了其在实际问题中的有效性,并对两种算子进行了理论上的对比。
Nov, 2021
提出了一种使用超网络的方法,即 HyperDeepONet,通过较少的参数来学习复杂操作符,并成功地在较少的计算资源下学习各种操作符,并具有实时预测的能力。
Dec, 2023
该论文介绍了一种针对复杂系统和多输入函数的先进物理信息 DeepONet 模型,通过引入非线性解码器、课程学习和域分解等架构增强和有效训练策略,该模型在高维设计空间中具有显著提高的准确性,比基本物理信息 DeepONet 模型提升了两个数量级。它在广泛的设计空间中具有零样本预测能力,成为加速复合材料工艺设计和优化的强大工具,在其他工程领域具有强非线性特征的应用具有潜在的应用价值。
Jun, 2024
我们提出了一种新颖的深度算子网络(DeepONets)的训练方法,通过将整个复杂训练任务分解为两个简化的子任务,首先训练主干网络,然后顺序训练分支网络,并引入了格拉姆 - 施密特正交化过程以提高稳定性和泛化能力。
Sep, 2023
在本研究中,我们提出了一种新颖的方法来减轻 DeepONets 训练数据生成的计算负担,通过使用高斯过程回归 (GPR) 来生成输出场,然后利用有限差分技术计算输入源场,从而显著减少了与 DeepONet 的训练数据集生成相关的计算成本。该方法可以推广到其他操作学习方法,并适用于多种边界值问题,以验证这种方法。
Feb, 2024
神经操作符(NO)是一种具有功能输出的离散不变深度学习方法,可以近似任意连续算子。然而,其输入函数的空间域与输出必须相同,这限制了其适用性。为了解决这个问题,我们提出了一种名为分辨率不变深度操作符(RDO)的创新框架,它解耦了输入和输出的空间域。RDO 能够保持 NO 的分辨率不变性,解决了具有复杂几何结构的 PDE 问题。通过各种数值实验证明了我们的方法相比 DeepONet 和 FNO 的优势。
Feb, 2024