迁移学习「求解」偏微分方程，条件偏移下PDE的深度迁移算子学习

传统的机器学习算法旨在孤立地学习，即解决单个任务。在许多实际应用中，收集所需的训练数据和重建模型要么成本高得令人望而却步，要么根本不可能。

迁移学习（TL）能够将在学习执行一个任务（源）时获得的知识迁移到一个相关但不同的任务（目标），从而解决数据采集和标记的费用、潜在的计算能力限制和数据集分布不匹配的问题。

来自美国布朗大学和约翰斯·霍普金斯大学（JHU）的研究人员提出了一种新的迁移学习框架，用于基于深度算子网络 (DeepONet) 的条件转移下的任务特定学习（偏微分方程中的函数回归）。

由于几何域和模型动力学的变化，研究人员展示了该方法在不同条件下涉及非线性偏微分方程的各种迁移学习场景的优势。尽管源域和目标域之间存在相当大的差异，但提出的迁移学习框架能够快速高效地学习异构任务。

该研究以「Deep transfer operator learning for partial differential equations under conditional shift」为题，发布在《Nature Machine Intelligence》上。

论文链接：https://www.nature.com/articles/s42256-022-00569-2

内容中包含的图片若涉及版权问题，请及时与我们联系删除