HyperDeepONet：通过超网络利用有限资源学习具有复杂目标函数空间的算子
机器学习
2023-12-27 v1 数值分析
数值分析
摘要
对复杂物理动力学进行快速准确的预测是各种应用中的重大挑战。在资源受限的硬件上进行实时预测在实际问题中甚至更为关键。深度算子网络 (DeepONet) 最近被提出作为学习函数空间之间非线性映射的框架。然而，DeepONet 需要大量参数，且在学习算子（特别是那些具有复杂（不连续或非平滑）目标函数的算子）时计算成本很高。本研究提出了 HyperDeepONet，它利用超网络的表达能力，使用更少的参数集来学习复杂算子。DeepONet 及其变体模型可被视为将输入函数信息注入目标函数的一种方法。从这个角度来看，这些模型可以被视为 HyperDeepONet 的特例。我们分析了 DeepONet 的复杂性，并得出结论：HyperDeepONet 需要相对较低的复杂性即可在算子学习中获得所需的精度。与其他基准相比，HyperDeepONet 成功地以更少的计算资源学习了各种算子。
引用
@article{arxiv.2312.15949,
title = {HyperDeepONet: learning operator with complex target function space using the limited resources via hypernetwork},
author = {Jae Yong Lee and Sung Woong Cho and Hyung Ju Hwang},
journal= {arXiv preprint arXiv:2312.15949},
year = {2023}
}
备注
26 pages, 13 figures. Published as a conference paper at Eleventh International Conference on Learning Representations (ICLR 2023)