偏微分方程有了基础模型：样本需求数量级减少，14项任务表现最佳

文章预览

机器之心报道 编辑：陈萍 本文提出的 Poseidon 在样本效率和准确率方面都表现出色。 偏微分方程（PDEs）被称为物理学的语言，因为它们可以在广泛的时间 - 空间尺度上对各种各样的物理现象进行数学建模。常用的有限差分、有限元等数值方法通常用于近似或模拟偏微分方程。 然而，这些方法计算成本高昂，特别是对于多查询问题更是如此，因而人们设计了各种数据驱动的机器学习（ML）方法来模拟偏微分方程。其中，算子学习（ operator learning）算法近年来受到越来越多的关注。 然而，现有的算子学习方法样本效率并不高，因为它们需要大量的训练样例才能以期望的准确率学习目标解算子（如图 1 所示）。这阻碍了算子学习的广泛使用，因为通过数值模拟或底层物理系统的测量来生成特定任务的训练数据非常昂贵。 研究者不禁提出，如何才能显著 ………………………………