Stokes

Stokes 是一种用于神经网络架构自适应优化和后验误差估计的方法。

Stokes 近期进展

神经网络架构自适应优化的最优控制方法及后验误差估计：该研究提出了一种新的最优控制方法，用于神经网络架构自适应优化，并通过后验误差估计提高了模型的性能。

Hartley Neural Operator: 用实谱替代复谱的神经算子方法：这项研究通过使用实谱代替复谱，提出了一种新的神经算子方法，提高了神经网络的计算效率。

LiL-Q：一种凸拟线性化方法求解非线性PDE，替代传统PINNs梯度训练：LiL-Q 方法通过凸拟线性化技术求解非线性偏微分方程，从而替代了传统的 PINNs 梯度训练，提高了计算效率。

因子化神经算子 FaNO 分解动态与持久响应：这项研究对因子化神经算子 FaNO 进行了分析，揭示了其动态与持久响应的特性。

Transformer神经算子的零样本泛化到更大域：该研究展示了 Transformer 神经算子在零样本泛化方面的潜力，能够将模型应用到更广泛的领域。

PDE约束逆问题：伴随方法与PINN公平对比：这项研究对比了伴随方法和 PINN 在解决 PDE 约束逆问题上的性能，为相关研究提供了新的视角。

Stokes 方法在神经网络架构自适应优化和后验误差估计方面展现出良好的潜力。

实谱替代复谱的神经算子方法为神经网络的计算效率提供了新的解决方案。

凸拟线性化技术在求解非线性偏微分方程中的应用值得关注。

因子化神经算子 FaNO 的动态与持久响应特性为神经网络的分析提供了新的视角。

Transformer 神经算子的零样本泛化能力在更大域的应用前景广阔。

伴随方法与 PINN 在解决 PDE 约束逆问题上的对比研究为相关领域提供了新的参考。