BriefGPT - AI 论文速递
·
周期动力神经算子：基于数据驱动的非局部本构模型与复杂材料响应
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
本文介绍了复神经算子（CoNO）的应用，通过参数化积分核和复值神经网络提高模型的表示能力、噪音鲁棒性和泛化能力。实证评估结果显示CoNO在多个数据集和任务中表现优秀，为连续动态系统的建模提供了鲁棒且优越的模型。
🎯
关键要点
-
引入复神经算子（CoNO）以提高模型的表示能力、噪音鲁棒性和泛化能力。
-
通过在复分数傅立叶域中参数化积分核和利用复值神经网络及无混淆激活函数实现。
-
CoNO在多个数据集和任务上进行了广泛的实证评估。
-
评估结果显示CoNO在性能上与最先进模型相当或优于其表现。
-
CoNO为连续动态系统的建模提供了鲁棒且优越的模型，推动了科学机器学习的发展。
➡️
