Ein trainbares Operator-Learning-Framework: Überbrückung von DeepONet und Karhunen-Loeve-Expansionen für großskalige Anwendungen

arXiv:2606.28519v1 Das Training von Operator-Learning-Modellen für großskalige Probleme, die durch partielle Differentialgleichungen (PDEs) regiert werden, ist herausfordernd aufgrund des Fluchs der Dimensionalität, Speicherbeschränkungen und begrenzter Trainingsdaten