.png){kind=icon}
返回
BubbleOKAN: A physics-informed interpretable neural operator for high-frequency bubble dynamics
.png){kind=icon}
OA
AI
DOI：10.1016/j.cma.2025.118667.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在本工作中，我们采用物理信息神经网络算子将压力轮廓从输入函数空间映射到相应的气泡半径响应。我们的方法采用两步DeepONet架构。为解决深度学习模型的固有谱偏差问题，我们的模型引入了Rowdy自适应激活函数，增强了高频特征的表征能力。此外，我们提出了基于Kolmogorov-Arnold网络（KAN）的两步DeepOKAN模型，该模型在有效捕捉高频气泡动力学的同时增强了可解释性（这是传统多层感知器架构通常缺乏的），且无需显式使用任何形式的激活函数。我们特别研究了样条基函数与径向基函数（RBF）的组合在架构中的应用，因为它们在构建通用的近似高频气泡动力学基方面表现出优于其他形式的性能。此外，我们强调了在学习高频气泡动力学时RBF的性能瓶颈，并展示了样条基函数在主干网络中克服这种固有谱偏差的优势。该模型在三个代表性场景中进行了系统评估：（1）由Rayleigh-Plesset方程控制的单初始半径气泡动力学，（2）由Keller-Miksis方程控制的单初始半径气泡动力学，（3）具有多个初始半径的Keller-Miksis动力学。我们还与最先进的神经算子进行了比较，包括傅里叶神经算子、小波神经算子、OFormer和卷积神经算子。我们的结果表明，两步DeepOKAN能够准确捕捉低频和高频行为，为传统数值求解器提供了一种有前景的替代方案。两步DeepOKAN的代码可在https://github.com/ParamIntelligence/Two-Step-DeepOKAN获取。
Keyword:
Bubble dynamics
Physics-informed neural operator
Kolmogorov-Arnold networks
Rayleigh-Plesset equation
Keller-Miksis equation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.3
论文数:
1.3W
被引数:
5.6W
机构
引用论文
Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架OAAI
OAAI分享收藏分享收藏A Comprehensive and Fair Comparison between Mlp and Kan Representations for Differential Equations and Operator Networks微分方程与算子网络中MLP和KAN表示的全面且公平的比较.png)
OAAI
IF0
OAAI分享收藏
查看更多内容