KI News. Verstehen, was wichtig wird.

Suche Anmelden

Suche

Finde Modelle, Firmen und Themen

Suche im News-Archiv nach Themen, die du dauerhaft verfolgen willst.

Ergebnisse für “DeepONet”

Neurale Operatoren beschleunigen Neutronentransport – neue Surrogatmodelle

In einer bahnbrechenden Studie wurden zwei moderne neuronale Operatoren – der Deep Operator Network (DeepONet) und der Fourier Neural Opera…

arXiv – cs.AI 19.02.2026 05:00

BumpNet: Sparsches neuronales Netzwerk für effiziente PDE-Lösungen

Ein neues Framework namens BumpNet wurde vorgestellt, das PDE‑Numerik und Operator‑Learning mit sparsamen neuronalen Netzen kombiniert. Dur…

arXiv – cs.LG 22.12.2025 05:00

DeepOSets beweist: Mehrere Operatoren lernen im Kontext ohne Gewichtsupdates

In der Welt des maschinellen Lernens hat sich In‑Context Learning (ICL) als bemerkenswerte Fähigkeit erwiesen: Modelle können aus Beispiele…

arXiv – cs.LG 19.12.2025 05:00

Neues physikbasiertes Partitions-Ansatz-Deep Network steigert PDE-Lösungen

In der Welt der partiellen Differentialgleichungen (PDEs) hat sich Operator‑Learning zu einem leistungsstarken Werkzeug entwickelt, das sch…

arXiv – cs.LG 18.12.2025 05:00

Hybrid‑Twinning: PBDW + DeepONet für präzise Zustandsabschätzung

In einer neuen Studie wird ein innovativer Hybridansatz vorgestellt, der physikbasierte Modelle mit datengetriebenem Lernen kombiniert, um…

arXiv – cs.LG 16.12.2025 05:00

Chebyshev-basierte DeepONet: Bessere PDE‑Lösungen für begrenzte Domänen

Deep Operator Networks (DeepONets) haben sich als zentrales Werkzeug im datengetriebenen Operator‑Learning etabliert. Sie ermöglichen flexi…

arXiv – cs.LG 11.12.2025 05:00

STeP-Diff: Mobile Sensoren liefern präzise Luftverschmutzungsprognosen

Die präzise Vorhersage von Luftverschmutzung auf feiner Ebene ist entscheidend für die Stadtplanung und die Entwicklung gesunder Gebäude. D…

arXiv – cs.LG 05.12.2025 05:00

<p>Neues DeepONet-Modell revolutioniert Simulation von Mikronozzen mit Schockwellen</p> <p>Ein internationales Forschungsteam hat einen hochmodernen, physik‑bewussten Deep Learning-Ansatz vorgestellt, der die Simulation von seltenen, schockhaltenden Strömungen in Mikronozzen deutlich beschleunigt und gleichzeitig die Genauigkeit erhöht. Der neue Ansatz, veröffentlicht auf arXiv (2510.17887v1), kombiniert drei zentrale Elemente: eine Fusion DeepONet-Architektur, ein physik‑geleitetes Merkmal‑Raum‑Design mit

arXiv – cs.LG 22.10.2025 05:00

Hybrid‑LS‑Gradient‑Descent‑Ansatz beschleunigt DeepONet‑Training

Forscher haben einen neuen Hybrid‑Ansatz entwickelt, der die Trainingszeit von DeepONets drastisch reduziert. Durch die Kombination von Lea…

arXiv – cs.LG 22.08.2025 05:00