arXiv · cs.AI· Vignesh Gopakumar, Zhuoyuan Wang, Ander Gray, Valentin Duruisseaux, Josh Williams, William Michael Edward Ellis, Nuno Nobre, Matthew Field, James Panayis, Alexander I. Blair, Andrew Davis, Stanislas Pamela, Robert Akers, Marc Peter Deisenroth, Anima Anandkumar·· 6 小时前
L-SplineFNO：面向非结构化网格的可学习样条神经算子
Learnable Splines for Unstructured Neural Operators
arXiv:2610.22446v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Vignesh Gopakumar, Zhuoyuan Wang, Ander Gray, Valentin Duruisseaux, Josh Williams, William Michael Edward Ellis, Nuno Nobre, Matthew Field, James Panayis, Alexander I. Blair, Andrew Davis, Stanislas Pamela, Robert Akers, Marc Peter Deisenroth, Anima Anandkumar
研究任务与主要进展
L-SplineFNO将FNO主干与稀疏、可学习张量积B样条传递结合，用于从非结构化网格学习到场解的映射。基于论文摘要，该方法在六个三维工程基准上保持较强预测精度，同时较基线算子使用更少内存和计算，并在单张A100 GPU上扩展到训练2600万节点、推理4600万节点；摘要未提供具体基线、误差数值和完整实验细节。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org