Новый нейронный оператор LiNO: точное моделирование сложных физических процессов

Международная группа учёных разработала новый нейронный оператор LiNO (Lifting Neural Operator), который решает ключевую проблему современных методов машинного обучения — одновременный учёт глобальной динамики и тонких деталей решений дифференциальных уравнений. Результаты опубликованы на arXiv.

LiNO построен на основе схемы подъёма второго поколения (second-generation wavelet lifting scheme). В отличие от традиционных нейронных операторов, он обучается непосредственно на данных, адаптируясь к структуре решения, и является точно обратимым, что позволяет сохранять информацию при переходе к многомасштабному представлению.

В многомасштабном пространстве LiNO обрабатывает грубые и детализирующие коэффициенты отдельно. Это даёт возможность моделировать физику процесса с учётом масштаба, не теряя важных деталей. Такой подход особенно полезен для задач с многомасштабными явлениями, хаотической динамикой или переносом.

Модель протестирована на пяти классических бенчмарках: течение Дарси, уравнение Пуассона, уравнение Аллена-Кана, сжимаемое уравнение Навье-Стокса и система реакции-диффузии Грея-Скотта. Эти задачи охватывают широкий спектр физических эффектов — от стационарных полей до хаотических систем.

По словам авторов, LiNO демонстрирует высокую точность по сравнению с современными аналогами (state-of-the-art) на всех тестовых задачах. Это подтверждает, что адаптивные многомасштабные операторы являются перспективным направлением для научного машинного обучения.

Разработка может найти применение в моделировании климата, гидродинамике, материаловедении и других областях, где требуется точный и экономичный симулятор сложных физических процессов. Работа поддержана рядом международных грантов.