DC-DeepONet：一種求解多尺度偏微分方程的算子學習方法

摘要： 自然界中存在各種各樣的多尺度現象，如湍流、微結構材料、氣泡與顆粒相互耦合等問題，針對此類問題建模，使用的偏微分方程模型也會表現出多尺度特征.算子學習作為一種利用深度神經網絡求解偏微分方程的新興范式，在泛化性和計算效率方面展現出巨大優勢.然而現有的算子學習模型在針對多尺度偏微分方程進行求解時存在頻率選擇問題，即無法有效學習高頻信號.為此本文基于卷積神經網絡和DeepONet，提出... （共12頁）