标签
一种使用傅里叶神经算子变体的新型人工智能模型，使密度泛函理论能够近乎线性地随系统规模扩展，从而允许在单个GPU上高效模拟大型量子系统，例如具有8万电子的镁位错。
文章强调了大型语言模型缺乏对物理世界的先天理解，并介绍了一种基于傅里叶神经算子(FNO)的框架，该框架将量子动力学预测加速了10^7倍，从而实现了量子控制协议的高效逆向设计，提高了成功率。
This paper introduces feature interaction modules based on factorization machines into physics-informed neural networks and neural operators (FM-PINN, FM-Operator, FM-DeepONet) to better capture spatio-temporal variable couplings for solving parameterized PDEs, showing accuracy gains particularly on shock-dominated equations.
介绍了DiffARFNO，一个两阶段框架，结合了自回归Fourier-MIONet与条件DDIM校正器，用于喷墨打印中的长时间跨度液滴演化预测，在ANSYS Fluent数据集上实现了最先进的性能。
本文提出了一种几何条件傅里叶神经算子（FNO），用于学习周期域上具有不同纵横比的立方非线性薛定谔方程的解算子。数值实验表明，该模型捕捉了有理环面和无理环面上不同的索伯列夫范数行为，展示了用于色散偏微分方程的几何感知神经算子。
SirenFNO利用正弦表示网络学习全频傅里叶核，消除了频率截断，在提高PDE基准准确性的同时实现了显著的参数减少。
提出了将分裂共形预测首次应用于基于神经算子的物理模拟，提供了具有有限样本覆盖保证的无分布预测区间，并利用MC Dropout不确定性生成自适应宽度的区间。
本文提出了一个全面的数学框架，用于使用傅里叶神经算子（FNO）及其物理信息变体（PINO）对三相黑油油藏动态进行连续代理建模，并应用于Norne基准油藏。理论贡献包括泛函分析公式、协变量偏移分析、物理约束谱稳定性以及截断反向传播梯度分析。
傅里叶神经算子（FNOs）在建模周期性驱动的量子系统时取得了外推成功，通过在频率空间中捕捉时间相关性，实现了超越训练数据的物理忠实动力学。
本文研究了变系数波动方程中傅里叶神经算子与深度算子网络在分布偏移下的泛化行为，发现FNO难以处理高频输入，而DeepONet的性能下降较为平缓。