.png){kind=icon}
返回
DiffNO: Neural Operator Learning Using Physically Structured Constrained Diffusion Model
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-031-99857-7_15.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出DiffNO，一种将扩散模型与核集成神经网络算子相结合的新框架，用于求解非线性偏微分方程（PDEs）。与确定性架构相比，由于引入了随机变量，扩散模型有更好的机会学习非线性PDEs演化中的复杂映射。然而，扩散模型直接学习复杂的非线性映射具有挑战性。为解决这些局限性，DiffNO构建了一个核集成的扩散算子，将格林函数的结构作为先验知识融入扩散漂移项，从而建立了一个受物理约束的随机演化过程。在一个包含各种类型PDEs的数据集上，特别是包括两个高度非线性的PDEs（2D Cahn-Hilliard和反应-扩散系统），我们的方法显著优于当前的最先进方法。
Keyword:
Neural operators
Diffusion Model
Green's Function
Data Analysis of Scientific Computing
期刊
E
IF:
0
论文数:
24
被引数:
0
机构
引用论文
分享收藏SRDiff: Single image super-resolution with diffusion probabilistic modelsSRDiff: 具有扩散概率模型的单幅图像超分辨率.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏
DeepGreen: deep learning of Green's functions for nonlinear boundary value problemsSCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏 没有更多内容
没有更多内容