HyCOP：混合组合算子实现偏微分方程可解释学习
基本信息
- ArXiv ID: 2605.00820v1
- 分类: cs.CE
- 作者: Jinpai Zhao, Nishant Panda, Yen Ting Lin, Eirik Valseth, Diane Oyen
- PDF: https://arxiv.org/pdf/2605.00820v1.pdf
- 链接: http://arxiv.org/abs/2605.00820v1
摘要
HyCOP 是一个模块化框架，用于学习参数化偏微分方程（PDE）求解算子。它通过组合简单模块（如平流、扩散、学习闭合、边界处理）并根据查询特征和状态统计决定使用哪个模块、持续多久来实现。不同于一次性学习整体映射，HyCOP 在短程序空间学习策略，即在给定条件下选择合适的模块并控制其作用时间。模块可以是数值子求解器或学习得到的组件，使混合代理能够在任意查询时刻评估而不需要自回归展开。在多个 PDE 基准上，HyCOP 生成可解释的程序，在分布外（OOD）情形下比单块神经算子提升约一个数量级，并支持通过字典更新进行模块迁移（如更换边界或加入残差增强）。理论分析刻画了其表达能力，给出误差分解，将组合误差与模块误差分离，并可作为过程级别的诊断工具。
学习要点
- HyCOP 通过将偏微分方程分解为可解释的组合算子，实现已知物理与数据驱动的无缝融合。
- 该框架能够在仅有部分先验知识的情况下，仍保证学习到的 PDE 模型具有可靠的物理解释。
- 与传统纯神经网络的 PINN 相比，HyCOP 在训练收敛速度和数值精度上均表现出显著提升。
- 组合算子的模块化设计使得不同物理过程可以独立调优，提升了模型的可迁移性和扩展性。
- 论文提供了理论分析，证明了混合算子在函数空间中的逼近误差上界，保证了解释性的数学基础。
- 在热方程、流体方程等多项基准 PDE 上的实验验证了 HyCOP 的泛化能力和鲁棒性。
引用
注：文中事实性信息以以上引用为准；观点与推断为 AI Stack 的分析。
站内链接
相关文章
- 混合组合算子实现偏微分方程可解释学习
- 粒子引导扩散模型求解偏微分方程
- FISMO：基于Fisher结构的动量正交化优化器
- 为何Adam在$β_1=β_2$时更优：缺失的梯度尺度不变性原理
- 面向异构数据的自适应子网络路由方法 本文由 AI Stack 自动生成，深度解读学术研究。