博世团队提出参考神经算子，学习偏微分方程解对几何变形的平滑依赖

文章预览

将 ScienceAI   设为 星标 第一时间掌握 新鲜的 AI for Science 资讯 编辑 | 枯叶蝶 在解决具有任意形状域的偏微分方程问题时，现有的神经算子方法致力于学习从几何形状到解的映射，但这通常需要庞大的（几何，解）二元组数据集来训练神经算子以确保准确性。 然而，对于如工程设计优化等工业应用，因单次仿真可能耗时数小时乃至数天，满足此数据需求极为困难。 针对这一挑战，博世人工智能中心（BCAI）的研究人员提出了参考神经算子（RNO）的概念，作为一种新颖的神经算子实现方式，旨在学习解对几何形变的平滑依赖。 具体而言，给定一个参考解，RNO 能够预测该参考几何形状任意微小扰动下的对应解，此方法极大地提高了数据利用效率。RNO 在准确度方面大幅领先基准模型，并实现高达 80% 的误差减少。 该研究「 Reference Neural Operators: Learning t ………………………………