arXiv cs.AI· Zijiang Yang, Xiaomeng Wu, Chen Kuang, Dongmei Fu·· 23 小时前AI 评分26
PANO:用并行潜在空间神经算子求解 PDE
PANO: Parallel Latent Space Neural Operator for Solving PDEs
AI 导读
研究者提出并行潜在空间神经算子 PANO,将观测间的物理交互建模为多个共享参数并行潜在空间交互结果的加性组合,避免单一压缩模式丢失物理信息。PANO 还引入 Coupled Assignment Projection(CAP)构建双向一致的编解码映射,并用 Pairwise Latent Space Attention Layer(PaLA)实现跨空间自适应交互。
正文 · AI 翻译
摘要:将观测数据聚合为有限数量的潜在 token,并在潜在空间中学习物理相互作用,已成为基于 Transformer 的神经算子求解涉及大规模观测的偏微分方程(PDE)问题的有效方法。然而,现有方法通常使用单一的聚合模式来压缩观测数据,使得该模式未保留的物理信息对潜在空间不可见,从而限制了其中的物理相互作用。为解决这一局限,我们提出了并行潜在空间神经算子(PANO),这是一种用于求解 PDE 的新型神经算子,它将观测数据之间的物理相互作用表述为来自共享参数的并行潜在空间的相互作用结果的加性组合。具体而言,PANO 通过独立映射将观测数据变换为多个不同的压缩表示,基于这些表示并行学习物理相互作用,最后融合解码结果以预测目标物理场。在 PANO 中,我们进一步提出了耦合分配投影(CAP)以构建双向一致的编码和解码映射,以及成对潜在空间注意力层(PaLA),通过自适应跨空间交互联合更新每个潜在空间的潜在表示。在涵盖多种物理系统、几何形状和观测尺度的九个基准上的大量实验表明,PANO 达到了最先进的性能。值得注意的是,与现有方法相比,PANO 将单边冲压的等效塑性应变预测误差降低了 28.3%(或更多),将 AirCraft 的升力系数预测误差降低了 21.4%(或更多)。代码可在 此 https URL 获取。
| 评论: | 39 页,24 幅图,23 张表 |
| 主题: | 机器学习(cs.LG);人工智能(cs.AI) |
| 引用为: | arXiv:2611.22782 [cs.LG] |
| (或 arXiv:2611.22782v1 [cs.LG] 查看此版本) | |
| https://doi.org/10.48550/arXiv.2611.22782 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Zijiang Yang [查看电子邮件]
[v1]
2026 年 11 月 17 日星期二 13:46:57 UTC(8,520 KB)
来源:arXiv cs.AI · arxiv.org