通过在复分数傅立叶域中参数化积分核并利用复值神经网络及无混淆激活函数，我们引入了复神经算子（CoNO），以提高模型的表示能力、噪音鲁棒性和泛化能力，并在多个数据集和其他任务上对 CoNO 进行了广泛的实证评估，结果显示 CoNO 在这些任务中表现出与或优于最先进模型的性能，为连续动态系统的建模提供了鲁棒且优越的模型，给科学机器学习带来了推动。

Oct, 2023

通过改进的傅里叶层和注意机制，我们提出了一种新颖的分层神经算子，旨在捕获所有细节并在不同尺度上处理它们，以解决多尺度偏微分方程问题。在多个物理场景中进行实验，并在现有偏微分方程基准测试中取得卓越性能，尤其是具有快速系数变化特征的方程。

Nov, 2023

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

通过对 Fourier neural operator（FNO）进行全精度和混合精度训练的内存和运行时时间进行分析，研究混合精度训练的数值稳定性，并设计了一种训练程序，有效减少了训练时间和内存使用，而在准确性上几乎没有减少，适用于 Navier-Stokes 和 Darcy 流动方程。

Jul, 2023

我们提出了一种能够捕捉局部特征的算子学习方法，通过学习具有局部支持核的微分算子和积分算子，在效果上大大改善了 Fourier 神经算子的表现。

Feb, 2024

通过光谱分析明确展示了 Fourier 神经操作符在解决偏微分方程时相比卷积神经网络的显著有效性，并提出了 SpecBoost，一种集成学习框架，通过利用多个 Fourier 神经操作符来更好地捕捉高频信息，明显提高了在各种偏微分方程应用中的预测准确度，最高提升了 71%。

Apr, 2024

U-FNO 是一种基于傅里叶神经算子的新颖神经网络结构，可用于解决在多孔介质中的多相流问题，相较于传统卷积神经网络模型和 ML 模型，U-FNO 模型在 CO2 注入问题中具有更高的准确性和数据利用率，只需三分之一的训练数据即可实现与该项目等效的准确性。

Sep, 2021

提出了一种针对具有无规则几何形状和演变域的物理系统建模问题，称作 DAFNO 的新型神经算子体系结构，它在积分层架构中引入了平滑的特征函数，并利用 FFT 来将几何信息显式编码。在材料建模和气动力学仿真等基准数据集上，DAFNO 实现了与基线神经算子模型相比的最先进的准确性。

Apr, 2023

非局部代表性学习神经算子（PNO）作为前向模型展示了学习复杂材料行为的表达能力和效力，并通过在神经网络架构中保留基本物理定律对噪声数据具有鲁棒性。

Jan, 2024

此研究提出了一种被称为非局部神经算子（NNO）的候选算子， 允许在任意几何空间中对算子进行逼近，因此包括傅里叶神经算子（FNO）作为一个特例并展示了这个理论结果统一了广泛的神经算子结构的分析。

Apr, 2023