Проблема долгосрочного прогнозирования
Нейронные операторы (Neural Operators) демонстрируют высокий потенциал в обучении операторов решений дифференциальных уравнений в частных производных (PDE). Однако при долгосрочном авторегрессионном прогнозировании возникает критическая проблема: локальные ошибки накапливаются, приводя к спектральной несогласованности, фазовым искажениям и дрейфу среднего значения. Существующие методы улучшают представление состояния и архитектуру оператора, но оставляют слабо структурированным латентный переход, что вызывает нестабильность каналов.
Архитектура GeoIncNO
Авторы предлагают Geometry-aware Incremental Neural Operator (GeoIncNO), который предсказывает латентные приращения для остаточного продвижения. Ключевые инновации включают:
- Низкоранговые проекторы: Регулируют связь каналов внутри активных частотных полос, определяемых на основе распределения спектральной энергии приращения.
- Декупированная реконструкция: Механизм разделяет стабильные средние структуры и динамические флуктуации. Коррекция фазы применяется только к компоненту с нулевым средним, что снижает ошибки реконструкции в физическом пространстве.
Результаты на бенчмарках
Эксперименты проведены на шести бенчмарках PDE, охватывающих 1D, 2D и 3D динамические системы. GeoIncNO демонстрирует стабильную точность и улучшенную спектральную верность по сравнению с базовыми моделями.
| Характеристика | GeoIncNO | Базовые методы |
|---|---|---|
| Метод предсказания | Латентные приращения (Incremental) | Прямое предсказание состояния |
| Регулировка каналов | Низкоранковые проекторы по частотам | Полная связь (Full coupling) |
| Реконструкция | Декупирование среднего и флуктуаций | Единая реконструкция |
| Стабильность | Высокая (подавление дрейфа) | Низкая (накопление ошибок) |
Значение для индустрии
Разработка GeoIncNO открывает путь к более надежному моделированию сложных физических систем, где требуется прогнозирование на длительных временных горизонтах. Это особенно актуально для климатического моделирования, аэродинамики и биомеханики, где точность на длинных дистанциях критична для принятия решений.
Источник: arXiv cs.AI ↗