用于数据驱动和物理信息问题的高保真深度操作员网络

@第{条Howard2022保密DO，title={用于数据驱动和物理信息问题的高保真深度操作员网络}，author={Amanda Howard和Mauro Perego以及George E.Karniadakis和Panos Stinis}，journal={J.计算物理}，年份={2022}，体积={493}，页数={112462}，url={https://api.semanticscholar.org/CorpusID:248266515}}
[PDF]语义阅读器

本文图表

34引文

用于时间相关问题的基于多保真域分解的物理信息神经网络

可以观察到，区域分解方法明显改进了PINN和堆叠PINN方法，并且证明了FBPINN可以扩展到多体物理信息的深算子网络。

基于长短期记忆网络的多精度代理建模

堆叠网络改进物理知情训练：在神经网络和深度算子网络中的应用

通过包括非线性摆、波动方程和粘性Burgers方程在内的基准问题，展示了如何使用叠加来提高精度并减小物理信息神经网络和操作员网络所需的大小。

多尺度系统闭包的多保真深算子网络方法

降阶建模中残差学习的DeepONet多保真度方法

这项工作探索了传感器数据的适当正交分解（POD）和间隙POD与最新的DeepONet体系结构的集成，并提出将模型简化与机器学习残差学习耦合，以便神经网络可以学习误差并推断出新的预测。

预测阻力和升力系数时间演化的物理引导双自由度四特征算子学习框架

一种新颖的物理引导、双精度、Fourier特征的深度运营商网络（DeepONet）框架，有效地结合了高保真和低保真数据集，并利用了各自的优势。

根据物理或稀疏观测信息可靠推断深层神经算子

剩余多维神经网络计算

提出了一个残差多保真度计算框架，该框架将模型之间的相关性表示为残差函数，它是1）模型的共享输入空间与低维模型输出之间的可能非线性映射，2）两个模型输出之间存在差异。

多精度小波神经算子及其在不确定性量化中的应用

开发了一种基于小波神经算子的新框架，该框架能够从高保真度数据集中学习，并通过解决不同的问题来证明其优异的学习能力，这些问题需要在两个保真度之间进行有效的相关学习来进行代理构建。

基于物理信息的深度神经网络

本文回顾了提出的DeepONet、Fourier神经算子和图形神经算子，以及通过特征展开进行的适当扩展，并强调了它们在计算力学（包括多孔介质、流体力学和固体力学）中的各种应用中的有用性。

55参考文献

基于传递学习的多保真物理信息深度神经网络

基于DeepONets的不确定和部分未知系统的双精度建模

本文提出了一种复杂物理系统的双精度建模方法，其中使用深度算子网络（一种适合于逼近非线性算子的神经网络结构）对小训练数据集中真实系统响应和低保真度响应之间的差异进行建模。

从多保真数据学习的复合神经网络：在函数逼近和PDE逆问题中的应用

多尺度系统闭包的多保真深算子网络方法

多自由度物理约束神经网络及其在材料建模中的应用

为了减少训练数据量，提出了一种新的多保真物理约束神经网络，其中物理知识用于约束神经网络并构造多保真网络以提高训练效率。

高效学习偏微分方程的多保真深度神经算子及其在纳米尺度热传输快速逆设计中的应用

提出了一种基于深度算子网络（DeepONet）的多密度神经算子，并将训练好的多密度DeepONet与遗传算法或拓扑优化相结合，实现了BTE问题反设计的快速求解。

多维数据的迁移学习

基于多精度仿真来降低使用转移学习对深度卷积神经网络（CNN）进行后续训练的数据生成成本，并证明了这种多精度训练策略在估计感兴趣量分布问题上的性能。

基于物理约束的无仿真数据深度学习的流体流动代理建模

基于物理的神经网络：解决非线性偏微分方程正问题和反问题的深度学习框架

物理信息神经网络（PINNs）的多保真度建模

...