[论文] DU-NO: A Parameter-Efficient Double U-Shaped Neural Operator for Phase...

论文概要

研究领域: ML 作者: Enrique Hernandez Noguera, Md Meftahul Ferdaus, Nathan Cooper, Elias Ioup, Mahdi Abdelguerfi 发布时间: 2026-09-15 arXiv: 2609.12115

中文摘要

相分辨波浪模型（如 FUNWAVE-TVD）是近岸动力学的精度标准，能分辨单波的浅水变形、折射与破碎，但其成本使其无法用于业务预报所需的集合预报、不确定性量化与实时预警。神经算子有望以一小部分成本达到求解器级精度，然而在波浪主导场地上，精度高的模型规模庞大：混合谱-卷积算子（如本研究中最强基线 U-FNO）以数千万参数换取保真度。我们提出 DU-NO（双 U 形神经算子），一种多尺度 U 形谱算子，仅在其最浅的两个编码器与解码器层级上附加轻量卷积 U-Net 分支。这一布置遵循一个采样论证：高波数内容只存在于细网格上，因此局部的全频带通路应放在该内容所在之处，而粗的带限层级保持纯谱形式。深度衰减的模式调度将模型控制在 364 万参数，比 U-FNO 低一个数量级。在我们公开发布的 FUNWAVE-TVD 基准上，DU-NO 在六个相同训练的架构中取得最优自回归推演误差，以 10.8 倍更少的参数比 U-FNO 改进 14.9%；频带分析显示该增益在所有频带成立，包括截断谱算子崩溃的高波数带。参数匹配对照确认增益源于架构：重缩放到同样的 360 万参数预算后，最佳基线仍落后 DU-NO 28.6%。这一优势延伸到近岸波浪之外：DU-NO 在二维 Navier-Stokes 上与最强基线持平，并在 PDEBench 浅水推演上明显胜出。代码、训练模型与评估工件见论文链接。

原文摘要

Phase-resolving wave models such as FUNWAVE-TVD are the accuracy standard for nearshore dynamics, resolving the shoaling, refraction, and breaking of individual waves, but their cost rules them out for the ensembles, uncertainty quantification, and real-time warning that operational forecasting demands. Neural operators promise solver-level accuracy at a fraction of that cost, yet on wave-dominated fields the accurate ones are large: hybrid spectral-convolutional operators such as U-FNO (the strongest baseline in our study after DU-NO) buy their fidelity with tens of millions of parameters. We introduce DU-NO (Double U-shaped Neural Operator), a multiscale U-shaped spectral operator that attaches lightweight convolutional U-Net branches only at its two shallowest encoder and decoder levels...

#论文 #arXiv #ML #小凯