PINN+傅里叶变换，冲上Nature！想发高分就看这篇！_global-local fourier neural operator for accelerat-CSDN博客

本文链接：https://blog.csdn.net/2401_82426425/article/details/144066777

PINN重磅升级！与傅里叶变换结合，一举拿下Nature！在训练数据减少90％的情况下，预测性能依旧飙升！

实际上，PINN+傅里叶变换，近来在各大顶会也都是“顶流”！NeurIPS、ICML、ICLR等都有多篇！比如训练速度提升10倍的FNODEs；模型误差降低100倍的Fourier FINNs……

主要在于：两者结合，不仅在提升模型的准确性、计算效率，可解释性方面作用显著。同时，还克服了PINN学习高频和多尺度目标解时效果不佳的缺陷，使其能在更多领域大展身手，像是图像处理、信号处理等。这便也给我们论文创新，提供了空间！

由此也可见，这是个非常有前景的方向。且目前其还不算卷，想发论文的伙伴，可以多关注。为方便大家研究的进行，我还给大家准备了10种创新思路及代码。

论文原文+开源代码需要的同学看文末

From Fourier to Neural ODEs: Flow Matching for Modeling Complex Systems

内容：文章提出了一种名为傅里叶神经常微分方程的新框架，用于高效且稳健地建模复杂系统。该框架通过傅里叶分析直接匹配目标向量场，从而训练神经常微分方程，减少了对计算图的依赖，并引入了数据增强策略以提高模型的鲁棒性和准确性。在多个代表性复杂系统上的实验结果表明，FNODEs在训练时间、动态预测和鲁棒性方面优于现有方法。

Global-local Fourier Neural Operator for Accelerating Coronal Magnetic Field Model

内容：文章介绍了一种名为全局-局部傅里叶神经算子的深度学习方法，用于加速模拟太阳日冕磁场。GL-FNO包含两个分支：全局分支用于重建全局特征，局部分支用于捕捉细节。研究结果表明，GL-FNO在准确性、计算效率和可扩展性方面优于其他最先进的深度学习方法，并且能够显著加速磁流体动力学模拟，同时提供可靠的预测能力，对理解空间天气动力学做出重要贡献。

Physics-Informed Neural Operators with Exact Differentiation on Arbitrary Geometries

内容：文章介绍了一种名为EDAM的新方法，它是首个能够在任意几何形状上计算物理信息神经算子的精确梯度的方法。EDAM通过扩展几何信息神经算子并引入可微分的权重函数和邻居缓存机制，实现了在保持GINO效率的同时进行精确梯度计算。实验结果表明，EDAM在性能上与其他PINO方法相当，且是首个能够处理任意输出点查询的方法。