Zongyi Li's talk on solving PDEs from data

Fourier Neural Operator for Parametric Partial Differential Equations (Paper Explained)

Зачем нужна топология?

Equivariant Models | Open Catalyst Intro Series | Ep. 6

How GNNs and Symmetries can help to solve PDEs - Max Welling

Градиентный спуск, как обучаются нейросети | Глава 2, Глубинное обучение

Simulation By Data ONLY: Fourier Neural Operator (FNO)

Operator Learning: From Theory to Practice

Fourier Neural Operator (FNO) [Physics Informed Machine Learning]

Как LLM могут хранить факты | Глава 7, Глубокое обучение

Fourier Neural Operator for 1D Burgers equation - part 1 | Hands-on tutorials | Paper explanation

Anima Anandkumar - Neural operator: A new paradigm for learning PDEs

ВЫ ПРОПУСТИЛИ 17 ФЕВРАЛЯ? Послушайте это прямо сейчас

Европа и США: переломный момент | Михаил Хазин

NeurIPS 2020 Tutorial: Deep Implicit Layers

EI 2023 Plenary 1: Neural Operators for Solving PDEs

Почему диффузия работает лучше, чем авторегрессия?

Learning operators using deep neural networks for multiphysics, multiscale, & multifidelity problems

DDPS | ML for Solving PDEs: Neural Operators on Function Spaces by Anima Anandkumar

Physics-Informed Neural Networks (PINNs) - An Introduction - Ben Moseley | Jousef Murad

Вот как читать дифференциальные уравнения.