跳到正文
热点事件持续更新

Euclidean Fourier Neural Operators (EFNOs) 提出

1 篇报道1 个报道来源16 小时前更新

先了解这件事

AI 综述

2026年10月22日，Nathanael Bosch等人在arXiv发表研究，正式提出Euclidean Fourier Neural Operators（EFNOs）。该方法旨在解决传统FNOs因依赖特定物理波矢而导致的跨周期域泛化失败问题。EFNOs通过将谱核参数化为物理波矢的连续函数，成功消除了对离散网格及周期性域的依赖，实现了在不同形状和大小域中的算子一致性。 在热方程求解及材料科学任务中，EFNOs已获验证。结果表明，该方法能够有效泛化至未见过的网格尺寸和域，作为FNOs的无域替代方案展现出潜力。

AI 根据报道生成 · 11 小时前更新

最新进展10月22日 12:00
Euclidean Fourier Neural Operators：实现跨周期域泛化的连续谱核方法

报道时间线

沿着报道，了解事件的不同侧面。

10月22日
  1. arXiv · ML
    Euclidean Fourier Neural Operators：实现跨周期域泛化的连续谱核方法

    针对传统 Fourier Neural Operators (FNOs) 依赖特定物理波矢导致跨域迁移失效的问题，论文提出 Euclidean FNOs (EFNOs)。 EFNOs 通过将谱核参数化为物理波矢的连续函数，消除了对离散网格和周期性域的依赖，确保算子在不同形状和大小的域中保持一致。 在热方程求解及材料科学任务中验证，EFNOs 能够泛化至未见过的网格尺寸和域。

本事件热度走势

可比范围当前
7
可比范围峰值
910月22日 17:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。