SSF-Net
一种用于学习偏微分方程(PDE)算子的双分支神经网络架构,通过并行的空间分支(多方向Mamba)和光谱分支(傅里叶变换+块对角MLP)在SSF块内融合,兼顾PDE的局部传播与全局耦合动力学,并嵌入多分辨率卷积编码器-解码器中。
时间轴 (近 90 天)
SSF-Net 的核心是一个双分支的空间-光谱融合块(SSF block),由空间分支和光谱分支并行构成,空间分支捕捉局部交互,光谱分支提取全局特征,两者在块内融合。
SSF块被嵌入一个多分辨率卷积编码器-解码器中,用于提取多尺度特征。
SSF-Net 的空间分支采用多方向Mamba结构,以缓解标准Mamba单向因果扫描带来的方向偏差,在保持线性复杂度的同时捕捉局部交互。
SSF-Net 的光谱分支利用傅里叶变换将特征映射到频域,再通过块对角MLP处理全局光谱特征。
与基于注意力机制和基于卷积的基线模型相比,SSF-Net在参数更少的情况下取得了更低的预测误差。
SSF-Net在空间token数量上保持了接近线性的渐近复杂度。
SSF-Net的差异化在于用块对角MLP替代了Mamba类结构与傅里叶方法结合中常见的全连接光谱处理,从而压缩了参数量。
目前关于SSF-Net的公开信息主要来自论文本身,独立的第三方复现或对比分析尚未出现。
SSF-Net的长时程稳定性的具体表现、在多物理场耦合问题上的泛化能力,仍需更多实验验证。
全部知识事实 (9)
SSF-Net 的核心是一个双分支的空间-光谱融合块(SSF block),由空间分支和光谱分支并行构成,空间分支捕捉局部交互,光谱分支提取全局特征,两者在块内融合。
50%待验证SSF块被嵌入一个多分辨率卷积编码器-解码器中,用于提取多尺度特征。
50%待验证SSF-Net 的空间分支采用多方向Mamba结构,以缓解标准Mamba单向因果扫描带来的方向偏差,在保持线性复杂度的同时捕捉局部交互。
50%待验证SSF-Net 的光谱分支利用傅里叶变换将特征映射到频域,再通过块对角MLP处理全局光谱特征。
50%待验证与基于注意力机制和基于卷积的基线模型相比,SSF-Net在参数更少的情况下取得了更低的预测误差。
50%待验证SSF-Net在空间token数量上保持了接近线性的渐近复杂度。
50%待验证SSF-Net的差异化在于用块对角MLP替代了Mamba类结构与傅里叶方法结合中常见的全连接光谱处理,从而压缩了参数量。
50%待验证目前关于SSF-Net的公开信息主要来自论文本身,独立的第三方复现或对比分析尚未出现。
50%待验证SSF-Net的长时程稳定性的具体表现、在多物理场耦合问题上的泛化能力,仍需更多实验验证。
50%