面向复杂网络的物理信息分区耦合神经算子
机器学习
2025-07-08 v1 计算工程、金融与科学
计算物理
摘要
物理信息神经算子为偏微分方程（PDEs）控制的系统提供了高效、高保真的模拟。然而，现有大多数研究仅关注单个空间区域内的多尺度、多物理场系统，忽略了具有多个相互连接子区域的情况，例如燃气和热力系统。为解决此问题，本文提出了一种物理信息分区耦合神经算子（PCNO），以增强此类网络的模拟性能。与现有的傅里叶神经算子（FNO）相比，该方法在傅里叶层内设计了一个联合卷积算子，能够实现捕获所有子区域的全局整合。此外，在傅里叶层之外引入了网格对齐层，以帮助联合卷积算子在频域中准确学习子区域之间的耦合关系。在燃气网络上的实验表明，所提出的算子不仅能准确模拟复杂系统，还展现出良好的泛化能力和较低的模型复杂度。
引用
@article{arxiv.2410.21025,
title = {Physics-informed Partitioned Coupled Neural Operator for Complex Networks},
author = {Weidong Wu and Yong Zhang and Lili Hao and Yang Chen and Xiaoyan Sun and Dunwei Gong},
journal= {arXiv preprint arXiv:2410.21025},
year = {2025}
}