AIGC動態歡迎閱讀

原標題：偏微分方程有了基礎模型：樣本需求數量級減少，14項任務表現最佳
關鍵字：算子,樣本,模型,任務,下游
文章來源：機器之心
內容字數：0字

內容摘要：

機器之心報道
編輯：陳萍本文提出的 Poseidon 在樣本效率和準確率方面都表現出色。偏微分方程（PDEs）被稱為物理學的語言，因為它們可以在廣泛的時間 – 空間尺度上對各種各樣的物理現象進行數學建模。常用的有限差分、有限元等數值方法通常用于近似或模擬偏微分方程。
然而，這些方法計算成本高昂，特別是對于多查詢問題更是如此，因而人們設計了各種數據驅動的機器學習（ML）方法來模擬偏微分方程。其中，算子學習（ operator learning）算法近年來受到越來越多的關注。
然而，現有的算子學習方法樣本效率并不高，因為它們需要大量的訓練樣例才能以期望的準確率學習目標解算子（如圖 1 所示）。這阻礙了算子學習的廣泛使用，因為通過數值模擬或底層物理系統的測量來生成特定任務的訓練數據非常昂貴。研究者不禁提出，如何才能顯著減少 PDE 學習所需的訓練樣本數量？
來自蘇黎世聯邦理工學院等機構的研究者提出了 Poseidon，這是一種用于學習 PDE 解算子的基礎模型。該模型基于多尺度 operator transformer，可實現連續時間評估。
研究者將 Poseidon 在大規模數據集上進行了

原文鏈接：偏微分方程有了基礎模型：樣本需求數量級減少，14項任務表現最佳

聯系作者

文章來源：機器之心
作者微信：almosthuman2014
作者簡介：專業的人工智能媒體和產業服務平臺