One Forth

资源与论文

清除筛选4 项资料

科学机器学习、PINN 与神经算子

A14

  1. Differentiable Physics: A Position Piece

    讨论可微程序与经典数值模拟结合后在参数估计、微分方程和科学建模中的作用。

    论文与标准 · Bharath Ramsundar, Dilip Krishnamurthy · 2021

    查看原文

  2. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations

    以自动微分计算方程残差，将观测和物理约束共同用于前向与逆向 PDE 问题。

    论文与标准 · Journal of Computational Physics 378 · 2019

    查看原文

  3. Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators

    以 branch net 和 trunk net 构造 DeepONet，并在多类显式与微分算子任务上验证。

    论文与标准 · Nature Machine Intelligence 3 · 2021

    查看原文

  4. Fourier Neural Operator for Parametric Partial Differential Equations

    在 Fourier 空间参数化积分核，学习参数化 PDE 的函数到函数映射。

    论文与标准 · International Conference on Learning Representations · 2021

    查看原文