AITOP

DeepONet

共 5 条相关 AI 资讯
7月30日
11:32
11:32官方账号arXiv cs.LG@Lennon J. Shikhman, Michael Galarnyk, Aadi Dash, Nicholas A. Welsh
该论文对比了两种基准：控制基准暴露模拟器真实密度，时间排序的NIFTY基准测试市场外价格。双组分对数正态混合模型在合成基准上具有最低的聚合价格、L1、Wasserstein和固定尾部误差。DeepONet将1%分位数和方差误差分别降低39.0%和34.6%，报价变换器在结构错误设定的Merton族上将L1降低16.4%。在524个NIFTY看涨期权上，验证选择的测试时适应将DeepONet RMSE降低28.3%，但每到期混合和SVI拟合仍然更准确。证据支持目标依赖的归纳偏差，而非通用胜者。
论文DeepONetNIFTYMerton
推荐理由：这篇论文告诉你，期权价格准不代表密度恢复准。它用NIFTY和模拟数据对比了混合模型、DeepONet和SVI，结果各有胜负，适合做金融AI研究的人参考。
原文
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28日
09:43
7月9日
10:10
10:10官方账号arXiv cs.LG@Xiangming Huang, Guannan Zhang, Lu Lu, Raphaël Pestourie
论文提出NOTES方法，将DeepONet神经算子与CMA-ES进化策略结合，在紧凑潜空间中进行全局优化。该方法将纳米光子束偏转器的设计维度从256降至25，并实现超过95%的效率。在结构优化任务中，NOTES发现的合规性设计达到246。与CMA-ES、拓扑优化等基线相比，NOTES在性能和迁移性上均有提升。
论文NOTESDeepONetCMA-ES
推荐理由：这篇论文搞了个叫NOTES的框架，用神经算子压缩设计空间，再用进化策略找最优，在纳米光子偏转器上效率超95%，比传统方法好。
原文
6月16日
10:44
10:44官方账号arXiv cs.AI@Qian Qi
精选
该论文研究了连续时间随机控制中Q-learning的算子理论核心，在均匀椭圆性和Hölder正则系数条件下，证明了Bellman更新将有界输入映射到各向异性正则类，状态变量被平滑而动作变量仅保持Lipschitz依赖。论文提出了适应混合正则性的张量积DeepONet架构，并给出了显式近似和资源界限以及时间步δ→0时的刚度-复杂度权衡。作者未声称对带探索、经验回放和随机梯度更新的实际采样Q-learning有完整的收敛定理。
论文Q-learningDeepONetHölder空间
推荐理由：这篇论文把Q-learning的Bellman目标正则性研究透了，还给出了DeepONet的近似界限，适合搞理论强化学习的人细读。
原文