NEON, eine Architektur zur Erzeugung von Vorhersagen mit Unsicherheit unter Verwendung eines einzigen Operator-Netzwerk-Rückgrats, bietet eine um Größenordnungen geringere Anzahl an trainbaren Parametern als tiefe Ensembles mit vergleichbarer Leistung.
Durch die Verwendung von Multi-Auflösungs-Trainingsdaten und einer effektiven Aktiven Lernstrategie kann der Datenbeschaffungsaufwand für das Lernen von Fourier-Neuraloperatoren deutlich reduziert werden, ohne Einbußen bei der Vorhersagegenauigkeit.
Eine effiziente Methode zur Kombination von neuronalen Netzen mit Kernel-PCA für das Erlernen von Operatoren, die eine höhere Genauigkeit als bestehende Ansätze wie POD-DeepONet erreicht.