仅3.64M参数，DU-NO比U-FNO少10.8倍却精度提升14.9%！
DU-NO: A Parameter-Efficient Double U-Shaped Neural Operator for Phase-Resolving Wave Modeling
📖 AI 总结
本文提出DU-NO（双U形神经算子），一种面向相位解析波浪建模的多尺度U形谱算子，旨在以远低于传统数值求解器的成本实现求解器级精度。针对FUNWAVE-TVD等模型计算代价高昂、难以支撑集合预报与实时预警的问题，作者仅在编码器和解码器最浅的两层附加轻量卷积U-Net分支，使局部全频带通路集中于高波数内容所在的细网格，而粗尺度层保持纯谱运算，并通过深度衰减模态调度将参数量控制在364万，较U-FNO低一个数量级。在公开的FUNWAVE-TVD基准上，DU-NO取得六种同训练架构中最佳的自回归推演误差，较U-FNO改善14.9%且参数量少10.8倍，频带分析显示增益覆盖包括高波数在内的所有频带；参数匹配对照表明该优势源于架构本身。该方法在二维Navier-Stokes上持平最强基线，并在PDEBench浅水推演中明显胜出。
🔑 关键词速览
| DU-NO | 双 U 形神经算子，一种参数高效的多尺度 U 形谱算子，仅在浅层编码器和解码器层级附加卷积 U-Net 分支。 |
| FUNWAVE-TVD | 一种相位解析的波浪模型，作为近岸动力学模拟的精度标准，但计算成本高昂。 |
| U-FNO | 混合谱-卷积神经算子，本研究中 DU-NO 的最强基线，但参数规模达数千万。 |
| 相位解析波浪模型 | 能够解析单个波浪的浅化、折射和破碎等过程的数值模型，精度高但计算成本大。 |
| 自回归展开误差 | 在时间序列预测中，模型逐步预测并反馈自身输出所产生的累积误差，用于评估长期预测性能。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅