本文提出了一種新的神經算子架構DisentangO,用於解決參數化偏微分方程的正向和逆向問題。
DisentangO的核心創新在於採用分層架構,從多個物理系統的黑盒神經算子參數中提取和解耦潛在的物理參數變化。具體來說:
採用多任務神經算子架構,通過任務自適應層提取不同物理系統的參數變化。
結合分層變分自編碼器,將這些變化進一步解耦為可識別的潛在因素。
理論分析表明,通過學習多個物理系統,隱藏物理狀態的可變性有助於實現因子的可識別性。
實驗結果顯示,DisentangO能夠有效提取有意義和可解釋的物理特徵,在監督、半監督和無監督學習情境下均表現出色。
總之,DisentangO有效地橋接了預測性能和物理可解釋性之間的鴻溝,為物理建模和物理機制發現提供了新的範式。
翻譯成其他語言
從原文內容
arxiv.org
深入探究