Buchumschlag

An Operator Learning Framework for Spatiotemporal Super-resolution of Scientific Simulations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Duruisseaux, Valentin, Chakraborty, Amit
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Fourier Neural Operators Explained: A Practical Perspective
von: Duruisseaux, Valentin, et al.
Veröffentlicht: (2025)

Enabling Automatic Differentiation with Mollified Graph Neural Operators
von: Lin, Ryan Y., et al.
Veröffentlicht: (2025)

Principled Approaches for Extending Neural Architectures to Function Spaces for Operator Learning
von: Berner, Julius, et al.
Veröffentlicht: (2025)

Simplifying Momentum-based Positive-definite Submanifold Optimization with Applications to Deep Learning
von: Lin, Wu, et al.
Veröffentlicht: (2023)

A Library for Learning Neural Operators
von: Kossaifi, Jean, et al.
Veröffentlicht: (2024)

FC-PINO: High Precision Physics-Informed Neural Operators via Fourier Continuation
von: Ganeshram, Adarsh, et al.
Veröffentlicht: (2022)

NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models
von: Ghafourpour, Luca, et al.
Veröffentlicht: (2025)

Projected Neural Differential Equations for Learning Constrained Dynamics
von: White, Alistair, et al.
Veröffentlicht: (2024)

Neural Operators for Accelerating Scientific Simulations and Design
von: Azizzadenesheli, Kamyar, et al.
Veröffentlicht: (2023)

A Scale-Adaptive Framework for Joint Spatiotemporal Super-Resolution with Diffusion Models
von: Defez, Max, et al.
Veröffentlicht: (2026)

Foundation Model for Lossy Compression of Spatiotemporal Scientific Data
von: Li, Xiao, et al.
Veröffentlicht: (2024)

Deep Generative Spatiotemporal Engression for Probabilistic Forecasting of Epidemics
von: Pathak, Rajdeep, et al.
Veröffentlicht: (2026)

Operator Learning for Power Systems Simulation
von: Schlegel, Matthew, et al.
Veröffentlicht: (2025)

Feasibility Study on Active Learning of Smart Surrogates for Scientific Simulations
von: Bajracharya, Pradeep, et al.
Veröffentlicht: (2024)

Is Zero-Shot Super-Resolution Possible in Operator Learning?
von: Subedi, Unique, et al.
Veröffentlicht: (2026)

Equilibrium Conserving Neural Operators for Super-Resolution Learning
von: Oommen, Vivek, et al.
Veröffentlicht: (2025)

Machine Learning Operations: A Mapping Study
von: Chakraborty, Abhijit, et al.
Veröffentlicht: (2024)

A Generative Framework for Probabilistic, Spatiotemporally Coherent Downscaling of Climate Simulation
von: Schmidt, Jonathan, et al.
Veröffentlicht: (2024)

A Unified Framework for Locality in Scalable MARL
von: Chakraborty, Sourav, et al.
Veröffentlicht: (2026)

SCENT: Robust Spatiotemporal Learning for Continuous Scientific Data via Scalable Conditioned Neural Fields
von: Park, David Keetae, et al.
Veröffentlicht: (2025)

Towards a Framework for Deep Learning Certification in Safety-Critical Applications Using Inherently Safe Design and Run-Time Error Detection
von: Valentin, Romeo
Veröffentlicht: (2024)

HSTFL: A Heterogeneous Federated Learning Framework for Misaligned Spatiotemporal Forecasting
von: Cai, Shuowei, et al.
Veröffentlicht: (2024)

Stochastic Super-resolution of Cosmological Simulations with Denoising Diffusion Models
von: Schanz, Andreas, et al.
Veröffentlicht: (2023)

Network Inversion of Binarised Neural Nets
von: Suhail, Pirzada, et al.
Veröffentlicht: (2024)

Global Stress Generation and Spatiotemporal Super-Resolution Physics-Informed Operator under Dynamic Loading for Two-Phase Random Materials
von: Xing, Tengfei, et al.
Veröffentlicht: (2025)

Graph In-Context Operator Networks for Generalizable Spatiotemporal Prediction
von: Wu, Chenghan, et al.
Veröffentlicht: (2026)

Rethinking Graph Super-resolution: Dual Frameworks for Topological Fidelity
von: Singh, Pragya, et al.
Veröffentlicht: (2025)

Scientific Data Compression and Super-Resolution Sampling
von: Vu, Minh, et al.
Veröffentlicht: (2025)

CoNBONet: Conformalized Neuroscience-inspired Bayesian Operator Network for Reliability Analysis
von: Garg, Shailesh, et al.
Veröffentlicht: (2026)

Equivariant Neural Simulators for Stochastic Spatiotemporal Dynamics
von: Minartz, Koen, et al.
Veröffentlicht: (2023)

From Local Interactions to Global Operators: Scalable Gaussian Process Operator for Physical Systems
von: Kumar, Sawan, et al.
Veröffentlicht: (2025)

Graph Convolutional Support Vector Regression for Robust Spatiotemporal Forecasting of Urban Air Pollution
von: Jahan, Nourin, et al.
Veröffentlicht: (2026)

Symplectic ODE-Net: Learning Hamiltonian Dynamics with Control
von: Zhong, Yaofeng Desmond, et al.
Veröffentlicht: (2019)

Infinite-dimensional Diffusion Bridge Simulation via Operator Learning
von: Yang, Gefan, et al.
Veröffentlicht: (2024)

Partitioned Hybrid Quantum Fourier Neural Operators for Scientific Quantum Machine Learning
von: Marcandelli, Paolo, et al.
Veröffentlicht: (2025)

Learning from History: A Retrieval-Augmented Framework for Spatiotemporal Prediction
von: Jia, Hao, et al.
Veröffentlicht: (2025)

A Physics-Informed Spatiotemporal Deep Learning Framework for Turbulent Systems
von: Menicali, Luca, et al.
Veröffentlicht: (2025)

MedGNN: Towards Multi-resolution Spatiotemporal Graph Learning for Medical Time Series Classification
von: Fan, Wei, et al.
Veröffentlicht: (2025)

Sparse Data Diffusion for Scientific Simulations in Biology and Physics
von: Ostheimer, Phil, et al.
Veröffentlicht: (2025)

LISA: Learning-Integrated Space Partitioning Framework for Traffic Accident Forecasting on Heterogeneous Spatiotemporal Data
von: An, Bang, et al.
Veröffentlicht: (2024)