推理阶段同时从提示数据中学习算子并将其应用于新问题，而无需任何权重更新

文章预览

In-context operator learning with data prompts for differential  equation problems 带有微分方程问题数据提示的上下文运算符学习 https://www.pnas.org/doi/epdf/10.1073/pnas.2310142120 本文介绍了“上下文内算子学习”的范式及其相应的模型“上下文内算子网络”，以在 推理阶段同时从提示数据中学习算子并将其应用于新问题，而无需任何权重更新 。现有方法受限于使用神经网络来近似特定方程的解或特定算子，当切换到具有不同方程的新问题时需要重新训练。通过将单个神经网络训练为算子学习器，而不是解/算子近似器，我们不仅可以摆脱为新问题重新训练（甚至微调）神经网络，还可以利用跨算子共享的共性，从而在学习新算子时只需要提示中的几个示例。我们的数值结果显示了单个神经网络作为 多样化类型微分方程问题（包括常微分方程、偏微分方程和平均场控制问 ………………………………