DeepONet 论文:双子网络学算子,泛化误差显著降低
burny_tech · x · 2026-09-03
burnytech 分享了经典论文 DeepONet(arXiv:1910.03193,Lu Lu、Pengzhan Jin、George Em Karniadakis,2019 年提交、2020 年修订),并附 arXiv 全文链接。
- 核心定理:神经网络是连续函数的通用逼近器,而更强的结论是——单隐层神经网络即可精确逼近任意非线性连续算子,为从数据中学习非线性算子提供了理论依据。
- 架构:DeepONet 由两个子网络组成——branch net 在固定数量传感器点上编码输入函数,trunk net 编码输出函数的位置,两路输出组合得到算子值。
- 实验:针对动态系统与偏微分方程两类算子做系统仿真,DeepONet 相比全连接网络显著降低泛化误差,并能从相对较小的数据集中高效学习。
- 意义:该论文是神经算子研究方向(后续 FNO、PINO 等)的奠基工作之一,广泛用于科学机器学习与方程识别。
所属事件:DeepONet 经典论文：单隐层网络逼近任意非线性算子(2 条相关)→
「研究」频道最新
- 753B 模型思考、4B 模型执笔：潜空间通信让推理快 20 倍，登顶 ARC-AGI — TheMoonMidas · 2026-09-03
- CoRL 2026 将办物理仿真×世界模型研讨会,LeCun 等大咖出席 — lucy_x_shi · 2026-09-03
- 研究者预测:一年内机制可解释性监控将帕累托优于 CoT 监控 — burny_tech · 2026-09-03
- F. Chollet 断言 AI 必收敛于符号学习,新论文称 LLM 表征隐含符号结构 — burny_tech · 2026-09-03
- 与 Tetlock 合著新预印本:RL 奖励评分规则如何塑造 LLM 预测能力 — simonguozirui · 2026-09-03
- DeepLoop 论文让循环 Transformer 可稳定扩展,并传前沿模型为 48 层循环两次 — StartupYou · 2026-09-03