Reformulación de Operadores Neuronales para Evolución de Embeddings en d+1
Reformulación de operadores neuronales en d+1 para mejorar la evolución de embeddings. Menor error en benchmarks como calor y Rayleigh-Taylor.
#aprendizaje de operador
Operadores Neurales de Kernel (KNO): aprendizaje de operadores escalable
Descubre los Kernel Neural Operators (KNO): aprendizaje de operadores escalable, eficiente en memoria y flexible en geometrías irregulares.
Que la luz sea: Reflexión, Refracción y Dispersión para Operadores Neurales
Descubre LiNO, operador neural inspirado en luz que separa modulación local y comunicación global con eficiencia cuadrática a lineal. Ideal para PDEs paramétricas.
¿Es posible la superresolución zero-shot en aprendizaje de operadores?
¿Es posible la superresolución zero-shot en aprendizaje de operadores? Este estudio teórico revela condiciones y límites. ¡Descubre cuándo funciona y cuándo no!
Aproximación eficiente de operadores neurales codificador-decodificador mediante espacios de variación
Aprende cómo los espacios de variación optimizan la aproximación de operadores neurales codificador-decodificador, con garantías de convergencia.
Atención Funcional: de afinidades por pares a correspondencias funcionales
La Atención Funcional reemplaza softmax por operadores lineales, logrando representaciones invariantes a discretización para PDEs y segmentación 3D.
Redes Neuronales de Alto Orden Inspiradas en Circuitos para PDE y Visión
CHONN: redes de alto orden inspiradas en circuitos unifican dinámicas neuronales para resolver PDEs y mejorar percepción visual. Modelado estable y eficiente.