使用函数值高斯过程提出了一种逼近贝叶斯不确定性量化的新框架，可应用于神经算子，实现对非线性动力系统的精确建模和预测。

Jun, 2024

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

介绍了数值高斯过程的概念，它是通过对时间依赖偏微分方程进行时间离散化来定义的高斯过程。当前的方法可以处理的情况包括只能观测到初始条件的噪声数据和我们感兴趣的是在解决时间依赖偏微分方程时与这些噪声数据相关的不确定性的量化。这种方法通过适当放置高斯过程先验来避免空间离散化差分算子的需要。经过多个基准测试问题的验证，该方法的有效性得到了证明，包括涉及线性和非线性时间依赖算子的情况，即使在长时间积分的情况下我们也能恰当地求解潜在解，并保持不确定性传播的一致性。

Mar, 2017

本研究探讨了以扩散为基础的生成模型作为偏微分方程 (PDE) 神经算子的功效。我们展示了扩散生成模型在神经算子方面具有许多有利的特性，并能够在多个真实动力系统中优于其他神经算子。此外，我们演示了概率扩散模型如何优雅地处理部分可识别的系统，通过生成对应于不同可能解的样本。

May, 2024

本文提出了一种新的框架，将神经网络、遗传算法和自适应方法相结合，应用于从稀疏噪声数据，不完整的备选库和空间或时间变化系数中发现偏微分方程。该方法在 Burgers 方程，对流扩散方程，波动方程和 KdV 方程上进行了测试，结果表明该方法对噪声数据具有鲁棒性，能够发现具有不完整备选库的参数 PDE。

May, 2020

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

本文旨在通过神经网络学习无限维空间（算子）和不同有限维空间之间的映射，并使用图网络进行内核积分计算。该方法在偏微分方程及其解的输入数据映射中具有实际应用价值，并在不同分辨率和离散化的近似方法之间实现了泛化。实验证明，所提出的图内核网络具有期望的性能，并与现有技术解算器相比表现出优异的性能。

Mar, 2020

在科学机器学习中，研究人员发现利用数据驱动的解算器学习可以提供快速的近似解决方案，作为传统数值偏微分方程求解器的替代方法。本研究通过聚合多个神经操作器，识别高误差区域并提供与预测误差相关的良好不确定性估计，从而解决了现有神经操作器方法在域外测试输入上的不确定性量化问题。基于这一结果，提出了一种经济高效的方法 DiverseNO，通过鼓励多个神经操作器在最后的前馈层中产生不同预测结果来模拟集成的特性。同时，引入了 Operator-ProbConserv 方法，将这些经过良好校准的不确定性估计嵌入 ProbConserv 框架以更新模型。实验结果表明，Operator-ProbConserv 提高了挑战性偏微分方程问题的域外模型性能，并满足了物理约束条件如守恒定律。

Mar, 2024

利用神经算子进行自适应偏微分方程控制，在稳定偏微分方程的过程中，通过神经网络取代计算增益核函数，实现了快速解决偏微分方程的实时自适应控制，并通过数值模拟证明了系统的稳定性和速度提升效果。

Jan, 2024

使用神经网络和偏微分方程提取动态数据中的模型，参数化模型来结合空时样本相关性，在 MNIST 和 Fashion MNIST 上与其他深度神经网络进行了比较，证明本方法能够降低参数成本。

Aug, 2019