Компьютерные науки > Машинное обучение [представлено 9 марта 2026 года (v1), последний пересмотренный вариант от 26 октября 2026 г. (эта версия, v2)) Название: NN-OpInf: подход к операторскому прогнозированию с использованием композиционных нейронных сетей View PDF HTML (экспериментальное) резюме: Мы предлагаем вывод оператора нервной сети (NN- OpInff): схема сохранения структуры, композитируемая и минимально ограничительная система вывода операторов для неинтрузивной модели пониженной порядокности динамических систем. Этот подход извлекает латентную динамику из снимков данных, обеспечивая соблюдение структуры местных операторов, таких как скев-симметрия, (полу)позитивная определенность и сохранение градиента, а также отражая сложную динамику путем поддержки составов присадок разнородных операторов. Мы представляем стратегии практической подготовки и анализ вычислительных издержек в отношении линейного и квадратного полиномиального опИнфа (P-OpInf). Цифровые эксперименты с рядом нелинейных и параметрических проблем свидетельствуют о повышении точности, стабильности и надежности по отношению к P-OpInf и предыдущим составам NN-ROM, особенно в тех случаях, когда динамика недостаточно хорошо представлена полиномическими моделями. Эти результаты свидетельствуют о том, что NN-OpInf может служить эффективной заменой P-OPINF в тех случаях, когда модельная динамика содержит неполиномические нелинейности, которые могут способствовать повышению точности и эффективности распределения за…
NN-OpInf: подход, предусматривающий вывод оператора с использованием композиционных нейронных сетей
arXiv: 2603.0848v2 Annuales Type: заменить резюме: мы предлагаем сделать вывод о нейронном операторе сети (NN-OpInf): схема сохранения структуры, композиции и минимально ограничительного вывода оператора для неинтрузивной модели пониженного порядка динамических систем. Этот подход извлекает латентную динамику из снимков данных, обеспечивая соблюдение структуры местных операторов, таких как скев-симметрия, (полу)позитивная определенность и сохранение градиента, а также отражая сложную динамику путем поддержки составов присадок разнородных операторов. Мы представляем стратегии практической подготовки и анализ вычислительных издержек в отношении линейного и квадратного полиномиального опИнфа (P-OpInf). Цифровые эксперименты с рядом нелинейных и параметрических проблем свидетельствуют о повышении точности, стабильности и надежности по отношению к P-OpInf и предыдущим составам NN-ROM, особенно в тех случаях, когда динамика недостаточно хорошо представлена полиномическими моделями. Эти результаты свидетельствуют о том, что NN-OpInf может служить эффективной копией вхождения