集成和专家混合 DeepONets 用于运算员学习
原文中文，约600字，阅读约需2分钟。发表于：。我们提出了一种用于运算符学习的新型深度运算符网络（DeepONet）架构，即集合 DeepONet，它允许通过多个不同的主干网络来丰富单个 DeepONet 的主干网络。这种主干丰富能够在一系列运算符学习问题上具有更强的表达能力和泛化能力。我们还提出了一种利用单位划分（PoU）近似来促进运算符学习问题的空间局部性和模型稀疏性的空间专家混合（MoE）DeepONet...
我们提出了一种新型的深度运算符网络架构，即集合DeepONet，通过多个主干网络来提高表达能力和泛化能力。我们还提出了一种空间专家混合DeepONet主干网络架构，利用单位划分近似来促进空间局部性和模型稀疏性。实验证明，集合DeepONet在运算符学习问题上相对于标准DeepONet和POD-DeepONet具有更低的相对l2误差。这些新的架构为科学机器学习中的运算符学习提供了强大而通用的框架。
