精选理由
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。
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。
AI 翻译 · 中文
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。
Neural operator surrogates (NO) approximate PDE solutions orders of magnitude faster than numerical solvers, but suffer from spectral bias: high-frequency content is systematically attenuated, limiting reliability where …