arXiv · ML· Khalid Rafiq, Wenjing Liao, Aditya G. Nair·· 8 小时前AI 评分23
LEO 通过隐空间映射实现参数化偏微分方程的状态间预测
Latent Evolution Operator (LEO): State-to-State Forecasting of Parametric PDEs
AI 导读
LEO 提出一种隐空间映射，将任意时刻状态、物理参数及预测时长的组合直接转换为未来状态，避免了逐步积分的误差累积。 该方法在 1D Burgers 方程、2D 平流扩散系统上验证了跨参数和跨时长的预测准确性，且速度显著快于 Autoencoder-LSTM 基线模型。 学习隐空间有限时间演化算子为替代基于初始条件训练的操作符学习方法提供了有效途径。
来源：arXiv · ML · arxiv.org