前沿进展:神经流形算子对物理系统内在维度的表征学习

摘要:图5 在所有场景中与9个Baseline模型进行性能比较。使用RMSE作为模型评估指标,RMSE值越小表示精度越高。由于FNO仅针对单变量预测设计,因此我们仅在单变量场景下评估这些模型,以确保基线模型的最佳性能。下划线表示基线模型中最准确的结果,加粗字体表示所

图5 在所有场景中与9个Baseline模型进行性能比较。使用RMSE作为模型评估指标,RMSE值越小表示精度越高。由于FNO仅针对单变量预测设计,因此我们仅在单变量场景下评估这些模型,以确保基线模型的最佳性能。下划线表示基线模型中最准确的结果,加粗字体表示所有模型中最准确的结果。星号(*)表示GPU内存溢出(超过40GB),斜杠(/)表示原始模型仅设计用于单变量预测。综上,NMO 模型从数学和实验的角度,尝试回答神经算子在学习潜在算子时,如何利用有限维参数空间对无限维算子进行参数化表示的问题,并为神经算子维度的选择提供了有效依据。相关文献[1] Wu H, Weng K, Zhou S, Huang X, Xiong W. Neural Manifold Operators for Learning the Evolution of Physical Dynamics. In Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining 2024 Aug 25 (pp. 3356-3366).[2] Levina E, Bickel P. Maximum likelihood estimation of intrinsic dimension. Advances in neural information processing systems. 2004;17.原标题:《前沿进展:神经流形算子对物理系统内在维度的表征学习》

来源:小猫说科学

相关推荐