非线性模型约简用于算子学习
我们提出了一个算法框架,结合了模式识别和随机滤波理论的技术,以提高复杂网络模型在输入数据扰动情况下的输出准确性,并通过与神经常微分方程方法的基准测试进行了评估。
Jul, 2023
本研究提出了一种非侵入式优化准则,以有效地构建参数化代理模型,利用基于核的浅层神经网络的主成分分析子空间和主动学习方法构建了 ActLearn-POD-KSNN 代理模型,该模型可以有效地预测新参数位置处的求解,即使在有多个相互作用的激波轮廓的情况下。
Jun, 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
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
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
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
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
通过随机投影算子网络(RandONets)解决动态系统的逆问题,实现线性和非线性算子的学习,降低参数空间维度,证明了 RandONets 对非线性算子和线性非线性演化算子的普适逼近准确性,相对于传统深度算子网络 DeepONets 具有更高的数值逼近精度和计算效率。
Jun, 2024
提出了一种基于图卷积自编码器(GCA - ROM)的非线性模型降阶框架,利用图神经网络(GNNs)对无结构网格上的非参数 PDE 解进行编码降维,实现对物理和几何参数化设置下具有快速 / 缓慢衰减的线性 / 非线性和标量 / 矢量问题的快速评估和高度通用的数据驱动非线性降阶方法。
May, 2023