AITOP

算子学习

共 6 条相关 AI 资讯
7月29日
10:01
10:01官方账号arXiv cs.LG@Shivani Saini, Ramesh Kumar Vats, Arup Kumar Sahoo
该论文提出SpectONet，融合DeepONet与物理约束和Chebyshev-Gauss-Lobatto非均匀传感器放置。相比传统DeepONet使用均匀传感器，SpectONet在边界附近集中采样，提升边界敏感结构响应的表示效率。在三个合成EBB振动问题和真实桥梁振动数据集上，SpectONet相比Vanilla DeepONet、PI-DeepONet、PINN、CNN-UNet等基线，预测误差降低至少64%（合成问题）和至少37%（实测问题）。该方法实现了准确、计算高效且物理一致的算子学习框架。
论文SpectONetDeepONet物理信息神经网络
推荐理由：这篇论文提出了SpectONet，在梁振动问题上比传统DeepONet误差降低至少64%，物理一致性更好，值得研究结构动力学的朋友一看。
原文
7月8日
10:10
10:10官方账号arXiv cs.LG@Rüdiger Kempf
该论文提出两阶段采样框架，离线核回归算子从N个输入-输出对学习算子的离散表示，在线核重构算子从预测观测恢复输出函数。理论贡献是推导了预算分配条件，要求训练对数量N、输入观测数n和输出分辨率m满足耦合关系以保证收敛。总误差分解为重构误差和学习误差，可独立分析，并得到定量缩放律。此外，引入物理信息扩展，在线重构时通过惩罚PDE残差增强约束，无需重新训练。数值实验验证了理论扩展的有效性。
论文Kernel-based Operator Learning算子学习误差分析
推荐理由：论文把算子学习的误差分解讲得很清楚，还给出了N、n、m的预算分配条件，物理信息扩展省去重新训练，做相关研究值得细读。
原文
7月3日
09:16
09:16官方账号arXiv cs.LG@Mojgan Alishiri, Amirhossein Arzani
该论文提出一种自解释算子学习框架，将算子学习重构为通过积分方程表达的广义函数线性模型的线性组合。利用积分方程的加性可分解性，将输入域划分为子域并计算局部积分，以评估每个区域对预测的贡献。在血流和非定常空气动力学两类流体问题中验证了函数到标量和函数到函数映射。结果表明，算子优先关注具有强特征梯度的区域，且解释性直接内嵌于算子结构，无需外部工具。
论文Self-explainable Operator Learning可解释AI算子学习
推荐理由：这篇论文让AI模型不再黑箱：用积分方程把算子学习拆成可解释的局部贡献，在流体力学上验证了梯度区域是模型重点。
原文
6月9日
13:04
13:04官方账号arXiv cs.AI@Lennart Bastian, Samuel Leventhal, Mustafa Hajij, Tolga Birdal
研究人员提出拓扑神经算子（TNOs），一种在细胞复形上进行算子学习的框架。TNOs 将数据表示为不同维度细胞上的特征，通过离散外微积分建模其相互作用，支持梯度、旋度和散度类型的跨维度耦合。其核心设计是将信息流动（由固定拓扑算子控制）与信息变换（可学习）解耦，从而尊重物理量的几何支撑并暴露守恒与兼容结构。进一步提出的层次化 TNOs（HTNOs）通过学习的粗化复形传播长程和拓扑依赖信息。在多个 PDE 基准测试（包括不规则几何流问题）中，TNOs 和 HTNOs 提升了精度，并证明了原生高阶和拓扑结构的优势。
论文算子学习拓扑神经算子PDE求解
推荐理由：做科学计算和 PDE 求解的团队，终于有了一个能自然处理复杂几何和拓扑结构的算子学习框架，比传统 NO 更准，值得一试。
原文
6月1日
10:14
10:14官方账号arXiv cs.LG@Jiefang Xiao, Maolin Gao, Simon Weber, Guandao Yang, Daniel Cremers
本文提出 Functional Attention，一种将 Transformer 注意力机制重新解释为自适应基函数之间函数对应关系的方法。受几何函数映射启发，该方法用结构化线性算子替代 softmax 亲和度，从而获得紧凑、可泛化、分辨率不变的表示，显式捕捉全局依赖。实验表明，在求解 PDE、3D 分割和回归等算子学习任务中，Functional Attention 达到最先进性能，且对不同离散化方式保持鲁棒。项目代码已开源。
论文算子学习注意力机制函数对应
推荐理由：做算子学习或 PDE 求解的团队，终于有办法让 Transformer 不再把连续场当离散 token 处理了——Functional Attention 用函数对应替代 token 注意力，既提升泛化又保持分辨率不变，值得一试。
原文
5月25日
09:58
09:58官方账号arXiv cs.LG@Qian Zhang, George Em Karniadakis
精选
该研究提出一种基于语言模型架构的算子学习框架，用于从稀疏测量数据重建流场。该方法将流场重建视为序列到序列学习任务，将稀疏测量作为上下文，未观测位置作为查询，以无网格方式学习空间相关性和长程依赖。在四个基准数据集（二维涡街模拟、美国日平均温度、三维血流模拟、三维湍流射流测量）上，即使观测数据少于10%，该方法仍能实现高精度重建。结果表明语言模型可作为科学数据重建的鲁棒可扩展工具，为科学工程基础模型开发提供了新方向。
论文流场重建语言模型算子学习
推荐理由：流体力学和科学计算的研究者终于有了一个用语言模型做流场重建的新思路——稀疏数据下也能高精度重建，做CFD或实验测量的团队值得关注这个方向。
原文