提出了使用神经算子对磁滞建模的方法，以解决常规神经网络方法难以推广至新输入磁场的问题；通过深度算子网络和傅里叶神经算子对新一阶反向曲线和次环进行预测，并提出了一个无速率相关的傅里叶神经算子用于在采样速率不同的情况下预测材料响应。数值实验证明，神经算子能够高效地建模磁滞，并在各个指标上优于传统的循环神经网络方法，并能够推广至新的磁场条件，强调了神经算子在表征基于磁性材料的器件中的重要性。

Jul, 2024

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

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

使用深度学习方法研究交通流中非线性双曲型偏微分方程的解决方案，通过训练算子来预测宏观交通状态和密度动态，以及改进冲击预测和物理约束问题。

Aug, 2023

通过波形函学习法学习动态系统解算符以提高准确性并超越现有的操作符学习算法的研究。

Oct, 2023

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

通过将任意近似编码器和解码器与标准前馈深度神经网络 (DNN) 体系结构相结合，我们提出了学习巴拿赫空间之间的算子的问题。我们首先确定了一组 DNN 的族群，使得由这些深度学习 (DL) 过程所获得的产生出算子可以达到最佳的泛化性能。接下来，我们证明了 DL 对于这个问题是最优的，没有任何恢复过程可以超越这些泛化界限。最后，我们展示了在具有挑战性的问题上的实际性能，包括参数扩散、Navier-Stokes-Brinkman 和 Boussinesq 偏微分方程组。

Jun, 2024

本研究提出了一种修改的 Flux Fourier 神经算子模型，用于近似理想磁流体力学的数值通量，通过实现连续推理、样本分布外的泛化以及相比传统数值方案更快的计算，实现了比现有神经算子模型更好的性能。

Apr, 2024

本研究介绍了神经算子，它是一种学习算子的新型神经网络，能够在无限维函数空间中进行映射。我们证明了神经算子的广义逼近定理，可以逼近任何连续非线性算子。研究还提出了四类高效的参数化方法，并在偏微分方程的解算子的代理映射中应用了神经算子，结果表明相较于传统 PDE 求解器和现有的机器学习方法，神经算子具有更好的性能优势且速度更快。

Aug, 2021

本文提出了一种将基础物理约束融入数据驱动替代电池系统的方法，通过构建 DeepONet 进行预测，建立了一个包括两个并行物理信息 DeepONets 和一个预测终端电压的 DeepONet 的混合代理，该代理具有高效和准确度以及完全可微的模型结构。

May, 2022