盖世汽车讯 据外媒报道，众所周知，人工神经网络可高效逼近连续函数，且这些函数值无突然变化，具体表现为图中的不连续性、洞及跳跃。尽管许多研究已经使用神经网络来逼近连续函数，但到目前为止，很少有人以研究非线性算子的逼近能力。布朗大学（Brown University）研究人员最近开发出基于神经网络的新模型DeepONet，可学习线性和非线性算子。
研究人员之一George Em Karniadakis表示：“大约五年前在教授微积分时，我问自己，神经网络是否可以逼近函数。为此，我到处寻找，却始终一无所获。直到我偶然发现复旦大学Chen于1993年发布的一篇论文，研究人员使用单层神经元实现了功能逼近。最后，我还阅读了其同组的另一篇论文。这正是我们研究的开始。”受Chen及其论文的启发，Karniadakis决定探索开发一种可以逼近线性和非线性算子的神经网络。他与其博士生Lu Lu讨论了这个想法。
与逼近神经网络的传统函数相反，DeepONet逼近线性和非线性算子。该模型包括两个深层神经网络：一个可对离散输入函数空间（即分支网络）进行编码，另一个可对输出函数域（即主干网络）进行编码。本质上，DeepONet是将函数作为无限维的对象输入，并将其映射到输出空间中的其他函数。
*特别声明：本文为技术类文章，禁止转载或大篇幅摘录！违规转载，法律必究。
本文地址：https://auto.gasgoo.com/news/202104/14I70250011C409.shtml
联系邮箱：info@gasgoo.com
客服QQ：531068497
求职应聘：021-39197800-8035
新闻热线：021-39586122
商务合作：021-39586681
市场合作：021-39197800-8032
研究院项目咨询：021-39197921
版权所有2011|未经授权禁止复制或建立镜像，否则将追究法律责任。
增值电信业务经营许可证 沪B2-2007118 沪ICP备07023350号
—— 全球视野·中国声音 ——
