无惧分辨率变化,求解PDE家族加州理工提
机器之心报道编辑：魔王、小舟来自加州理工学院和普渡大学的研究者通过直接在傅里叶空间中对积分核进行参数化，构造了一种新的神经算子——傅里叶神经算子（FNO）。这篇由加州理工学院ZongyiLi、AnimaAnandkumar，以及普渡大学（PurdueUniversity）KamyarAzizzadenesheli等人提交的论文，目前正在接受ICLR大会的审阅。本文的作者之一AnimaAnandkumar是加州理工学院教授，也是英伟达机器学习研究的负责人。传统意义上，神经网络主要学习有限维欧式空间之间的映射。近期，这一做法被推广到神经算子，它主要学习函数空间之间的映射。对于偏微分方程（PDE）而言，神经算子直接学习任意函数参数依赖到解的映射。因而，与解决一个方程实例的经典方法不同，神经算子学习整个PDE家族。近日，来自加州理工学院和普渡大学的研究者通过直接在傅里叶空间中对积分核进行参数化，构造了新的神经算子——傅里叶神经算子（FNO），帮助实现表达力强且高效的架构。论文
