AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：神经算子×
6月24日
11:53
11:53arXiv cs.LG@Jason Sulskis, Sathya Ravi
精选
该论文提出Hartley Neural Operator (HNO)，作为Fourier Neural Operator (FNO)的纯实数镜像，用实离散Hartley变换替代复FFT。HNO在每个保留谱模式上学习单个实权重，无复数运算。实验表明，对于自伴椭圆偏微分方程（如泊松、双调和方程），HNO表现更优，因为其实对称Green函数可被实数对角化；对于含相位的时间依赖方程（如波动、对流、Burgers、Navier-Stokes），FNO更优，且优势随相位含量增加而增强。研究给出了基于算子对称性选择谱基的预测规则。
论文Fourier Neural OperatorHartley Neural Operator神经算子Green函数偏微分方程
推荐理由：这篇论文告诉你，求解偏微分方程时该用复傅里叶还是实哈特利基——没有万能赢家，得看算子有无相位。
原文
6月16日
20:46
11:05
11:05arXiv cs.LG@Hao Tang, Yuechen Duan, Jiongyu Zhu, Zimeng Feng, Hao Li, Chao Li
物理系统常包含快变动态与持久结构共存的多尺度行为，现有神经网络算子依赖单一归纳偏置，难以解耦。因子化神经算子 FaNO 将频谱分解为等变动态响应和不变持久响应，两个分支分别专注于瞬态动力学和相干结构提取。在 Navier-Stokes 方程等系统上，FaNO 相比 FNO 参数效率提升 50%，跨分辨率外推误差降低 30%。长自回归 rollout 下 FaNO 能保持 1000 步稳定预测，而基线发散。该方法在跨域迁移和物理条件偏移时保持泛化能力。
论文FaNO神经算子多尺度物理建模科学计算
推荐理由：FaNO 把物理系统的快慢变分开建模，比传统算子更准更省参数，科学计算和仿真场景值得一试。
原文
6月15日
11:12
6月12日
12:57
6月11日
15:28
15:23
15:07
10:06
10:06arXiv cs.LG@Minghui Yang, Ling Guo, Liu Yang
神经算子模型在函数空间映射上表现良好，但泛化到其他算子时通常需要微调或重新训练。In-Context Operator Networks (ICON) 通过数值上下文提示让模型学习特定算子，无需微调即可适应不同算子，但在分布外任务上仍可能失败。受大语言模型链式提示的启发，研究者提出 Chain of Operators (CHOP) 框架，通过构建由显式初等变换和冻结的 ICON 组成的算子链，在不更新参数的情况下提升 ICON 在分布外任务上的泛化能力。在标量守恒律和平均场控制问题上的实验表明，CHOP 相比直接 ICON 评估降低了相对推理误差，且链中每个算子保持可解释和封闭形式。在一个 PDE 族上构建的链还能泛化到不同族，表明跨系统存在共享机制。
论文神经算子ICONChain of Operators泛化PDE
推荐理由：CHOP 解决了神经算子模型在分布外任务上泛化差的痛点，做科学计算或 PDE 求解的团队可以直接用这个框架提升模型效果，无需重新训练。
原文
6月3日
10:40
10:40arXiv cs.LG@Niccolò Perrone, Fanny Lehmann, Stefania Fresca, Filippo Gatti
神经算子代理（NO）能比数值求解器快数个数量级地近似偏微分方程解，但存在谱偏差：高频成分被系统性地衰减，限制了其在需要精细尺度结构场景下的可靠性。稀疏传感器测量虽能提供无谱畸变的逐点精度，但仅覆盖小部分区域。本文提出FreqNO-DPS框架，将NO预测作为扩散后验采样中的辅助观测，结合基于分数的扩散先验和稀疏观测条件，并通过闭式谱整形引导分数避免重新引入偏差。在3D弹性波场预测中，5%和2%传感器覆盖率下，该方法在所有频带达到近零谱偏差，而单独使用代理或传感器均显示高频衰减。该框架仅需成对代理/参考数据，无需问题特定结构。
论文神经算子谱偏差扩散后验采样PDE求解稀疏观测
推荐理由：做物理模拟或PDE求解的团队终于有了解决高频细节丢失的实用方案——FreqNO-DPS用扩散模型校正神经算子的谱偏差，在稀疏观测下也能恢复全频带精度，建议做科学计算或工程仿真的直接试。
原文
6月2日
12:03
12:03arXiv cs.LG@Zhiwei Gao, Liu Yang, George Em Karniadakis
现有神经算子评估主要依赖预测误差，但准确输出不代表模型学到了正确的局部动力学结构。研究者提出一种基于雅可比矩阵的谱审计方法，通过将网络输出对查询函数求导，得到学习到的切向算子，再投影到傅里叶模式上，揭示频率依赖增益、相位结构和跨模式耦合等局部谱特征。该方法在多个基准测试中发现了预测误差无法暴露的问题，如高频退化、错误相位恢复和提示-算子不一致。结果表明，预测精度和局部算子保真度是神经算子的两个独立属性，该框架可用于稳定性、敏感性和算子一致性的诊断。
论文神经算子谱审计雅可比矩阵PDE代理模型局部动力学
推荐理由：这篇论文给做神经算子、物理信息学习或科学计算的团队提供了一个关键诊断工具——预测误差可能骗人，但雅可比谱审计能揪出模型学没学到真正的物理机制。做PDE代理模型或算子学习的建议点开看看，能帮你避免模型“看起来准、用起来崩”的坑。
原文
5月29日
12:14
12:14arXiv cs.LG@Minseo Lee, Seongmin Oh, Chaehyeon Song, Bumjin Cho, Shilaj Baral, Sangam Khanal, Minseop Song, Joongoo Jeon
该研究提出一种结合降阶模型与神经算子的集成框架，用于小型模块化反应堆中螺旋管蒸汽发生器的CFD级瞬态分析。研究比较了两种降阶策略（MLP自编码器与卷积自编码器）分别耦合DeepONet构建潜在DeepONet，并引入多尺度技术缓解频谱偏差，成功预测了卡门涡街的瞬时周期动力学。FNO及其多尺度变体则能可靠预测时均流场和压降。该工作为数字孪生场景下根据CFD数据类型和所需流场分辨率选择合适架构提供了实用指南。
论文神经算子CFD代理模型降阶模型数字孪生小型模块化反应堆
推荐理由：做核反应堆数字孪生或CFD代理模型的团队，这篇给出了针对特定几何的完整框架对比和选型指南，可以直接参考其多尺度L-DeepONet方案。
原文
5月26日
12:24
12:24arXiv cs.LG@Bipin Tiwari, Omer San
精选
贝叶斯逆设计为从稀疏流场观测中推断气动几何形状并量化不确定性提供了理论框架，但传统方法依赖高保真 CFD 模拟进行 MCMC 采样，计算成本极高。本研究将神经算子代理模型直接嵌入 MCMC 推断循环，在准一维喷管流动的贝叶斯逆问题中，证明其能保持后验几何与不确定性分布。使用 Deep Operator Network 替代 CFD 求解器后，总推断时间降至 1 秒以内，加速超过三个数量级。研究还发现几何参数化（如三次 B 样条）对可辨识性和后验条件化起决定性作用。该方法为航空工程中不确定性感知的逆设计提供了实用工作流。
论文神经算子贝叶斯逆设计CFD不确定性量化MCMC
推荐理由：做 CFD 逆设计或不确定性量化的研究者终于有了一个计算可行的方案——神经算子加速后，贝叶斯推断从小时级降到秒级，建议直接复现论文中的喷管案例。
原文
5月14日
13:26
13:26arXiv cs.LG@Dongzhe Zheng, Tao Zhong, Christine Allen-Blanchette
精选
本文从函数空间视角研究几何网格上物理场方程的解算子，揭示了Hodge正交性通过将不可学习的拓扑自由度与可学习的几何动力学分离，从根本上解决频谱干扰问题，从而实现结构保持子空间内的加性逼近。基于Hodge理论和算子分裂，作者推导出原则性的算子级分解，提出一种混合欧拉-拉格朗日架构，并引入称为Hodge谱对偶（HSD）的代数级归纳偏置。该方法使用离散微分形式捕捉拓扑主导成分，并用正交辅助环境空间表示复杂的局部动力学。实验表明，该方法在几何图上实现了更高的精度和效率，并增强了对物理不变量的保真度。代码已开源。
论文神经算子Hodge分解拓扑保持几何深度学习物理信息
推荐理由：Hodge分解为神经算子学习提供了严格的数学框架，解决了物理场模拟中拓扑与几何动力学的分离难题。做计算物理、几何深度学习或科学机器学习的团队，可以直接用开源的HSD架构提升模型对物理不变量的保真度。
原文