神经算符、高斯过程、偏微分方程、不确定性度量和算符学习是该研究论文的关键词，提出了一个新的神经算符引导的高斯过程框架，通过实验验证了其在各种 PDE 示例中的优越准确性和预期不确定性特性。

Apr, 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

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

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

科学机器学习中，通过贝叶斯推断模型参数，利用状态数据和相关性构建似然函数，从而学习非线性动力学模型。

Dec, 2023

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

本文介绍了一种基于线性变分问题的框架，通过矫正算子解决神经算子的非准确性问题，从而提高神经算子在参数化偏微分方程中的应用效果。数值实验结果显示，通过该框架得到的矫正算子，能够大幅提高神经算子的精度，显著避免其在拓扑优化等相关问题中出现较大误差。

Jun, 2023

最近，机器学习的最新发展提出了一种被称为神经算子的神经网络架构，能够近似函数空间之间的映射关系。我们以应用于基础物理学为目标，研究了它们在量子力学的散射过程中的应用。我们使用傅里叶神经算子的迭代变体来学习 Schrödinger 算子的物理性质，它将初始波函数和势能映射到最终波函数。这些深度算子学习的想法在两个具体问题中进行了测试：一个是在 $1+1$ 维度中预测波包散射在中心势场中的时间演化的神经算子，另一个是在 $2+1$ 维度中的双缝实验。在推断过程中，与传统的有限差分求解器相比，神经算子可以提高数个数量级的计算效率。

Aug, 2023

本文提出了一种基于变分方法的非线性和抛物型偏微分方程潜在力模型的推断技术，并展示了神经算子方法在千万级实例上的可扩展性，以处理核函数的不同可处理程度，进一步表明我们框架的高效性和灵活性。

Sep, 2021

本文研究了线性化 - Laplace 近似在贝叶斯优化中的应用，探究了它在序列决策问题上的效用和灵活性，同时强调了可能出现的问题和局限性。

Apr, 2023