.png){kind=icon}
返回
Separated-variable physics informed neural operators for solving dynamic PDEs
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ymssp.2026.114195.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 一种新的SV-PINO框架通过变量分离和神经网络算子求解时空偏微分方程（PDEs）。
• 该方法通过特征函数和小波分解克服了高频问题中的谱偏差。
• 该方法将高阶PDEs和复杂边界简化为低阶常微分方程（ODEs）以实现稳定求解。
• SV-PINO可扩展到没有显式PDE形式的离散系统，展示了强大的泛化能力。
• 该框架在各类基准问题上，在精度和鲁棒性方面均优于现有方法。
Keyword:
SV-PINO
spatiotemporal PDEs
neural operators
variable separation
spectral bias
期刊
IF:
8.9
论文数:
1.3W
被引数:
6.6W
机构
引用论文
暂无论文信息