盖世轿车讯 据外国媒体报道，众所周知，人工神经网络可高效迫临连续函数，且这些函数值无忽然改变，具体表现为图中的不连续性、洞及跳动。虽然许多研讨现已运用神经网络来迫临连续函数，但到目前为止，很少有人以研讨非线性算子的迫临才能。布朗大学（Brown University）研讨人员最近开宣布根据神经网络的新模型DeepONet，可学习线性和非线性算子。

  研讨人员之一George Em Karniadakis表明：“大约五年前在教授微积分时，我问自己，神经网络是不是能够迫临函数。为此，我处处寻觅，却一直一无所得。直到我偶尔发现复旦大学Chen于1993年发布的一篇论文，研讨人员运用单层神经元完成了功用迫临。最终，我还阅读了其同组的另一篇论文。这正是咱们研讨的开端。”受Chen及其论文的启示，Karniadakis决议探究开发一种能够迫临线性和非线性算子的神经网络。他与其博士生Lu Lu评论了这个主意。

  与迫临神经网络的传统函数相反，DeepONet迫临线性和非线性算子。该模型包含两个深层神经网络：一个可对离散输入函数空间（即分支网络）进行编码，另一个可对输出函数域（即骨干网络）进行编码。本质上，DeepONet是将函数作为无限维的目标输入，并将其映射到输出空间中的其他函数。