Feb, 2024

衍生增强的深层算子网络

PDF
TL;DR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。
发现论文，激发创造
  • 考虑多个输入函数的增强型 DeepONet 模型用于建模偏微分算子

    本文介绍了一种扩展了输入功能的神经网络结构 - Enhanced DeepONet，该结构可接受多个输入功能，通过内积与输出卡车网络连接，可用于模拟偏微分方程。数值结果表明，Enhanced DeepONet 的精度约为全连接神经网络的 7-17 倍或简单扩展 DeepONet 的 2-3 倍。

    Feb, 2022

  • 利用物理信息的深度神经网络学习参数偏微分方程的解算子

    本文提出了一种被称为物理学知识不同 DeepONets 的新模型类，通过使用自动差分在模型训练期间施加软惩罚约束来实现重力定律，其将 DeepONet 模型输出偏向于确保物理一致性，进而显著提高 DeepONets 的预测准确性，并大大减少了大型训练数据集的需求。

    Mar, 2021

  • 在潜在空间中学习提高深度神经算子的预测准确性

    使用深度自编码器识别高维 PDE 输入输出函数的潜在特征表示，可以增强学习，并提高时间依赖型的 PDE 模型的计算精度和效率。

    Apr, 2023

  • DeepONet：基于算子的普适逼近定理学习非线性算子用于鉴别微分方程

    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

  • 通过图神经网络和深度算子网络学习时变 PDE 以实现在不规则网格上的鲁棒性精度

    提出了 GraphDeepONet，一种基于 GNN 的自回归模型，能够适应 DeepONet 并有效地学习操作符，具有在不规则网格上预测解以及对时间依赖性 PDE 解进行时间外推的能力。对 GraphDeepONet 的普适逼近能力进行了理论分析。

    Feb, 2024

  • HyperDeepONet：通过超网络利用有限资源学习复数目标函数空间中的算子

    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

  • 能量耗散演化深度算子神经网络

    本文提出了一种基于能量耗散的进化深度算子神经网络，旨在为一类偏微分方程提供数值解，并通过数值模拟验证了其准确性和高效性。

    Jun, 2023

  • 基于深度运算网络的代理建模的新数据生成方案

    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

  • 深度操作网络在核系统数字孪生技术中的潜力

    该研究介绍了 Deep Operator Network (DeepONet) 的应用，作为一个强大的代理建模方法，用于数字孪生系统，应用于核工程领域。DeepONet 展现了出色的预测准确性，优于传统机器学习方法。通过广泛的基准测试和评估，研究展示了 DeepONet 在解决复杂粒子传输问题方面的可伸缩性和计算效率。该研究对优化传感器布置和模型评估提出了挑战，这是实际实施中的关键问题。总的来说，DeepONet 为核工程研究和应用提供了一个有希望和具有变革性的工具，其准确的预测和高效的计算能力可以推动数字孪生系统的进一步发展，推进核工程研究，实现对关键工程领域的代理建模技术的有效利用。

    Aug, 2023

  • 基于深度操作器网络架构的功能 SDE 近似

    通过深度神经网络导出和分析了一种近似解决随机微分方程的新方法，该方法的架构灵感来自于函数空间中的操作符学习的概念，并通过网络表示了一个降维基础。在我们的设置中，我们利用随机过程的多项式混沌展开（PCE）并将相应的架构称为 SDEONet。该方法旨在通过学习维纳混沌展开式的最佳稀疏截断来减轻指数复杂性问题，并通过数值实验展示了在一维和高维中建议方法的有希望性能。

    Feb, 2024