Проблема нерегулярных сеток в инженерии
Традиционные нейрооператоры, такие как Fourier Neural Operator (FNO), эффективны, но требуют равномерных прямоугольных сеток. В реальных инженерных задачах (аэродинамика, термоядерный синтез) используются крупные, нерегулярные и локально уточненные сетки. Преобразование таких геометрий в латентные пространства обычно требует ресурсоемких аналитических вычислений.
Архитектура L-SplineFNO
Новая модель L-SplineFNO решает эту проблему, связывая FNO-бэкбон со спарсным тензорным произведением B-сплайнов. Ключевые технические инновации:
- Local Normalised Scatter: метод, избегающий геометрия-зависимых решений аналитических сплайновых преобразований, сохраняя компактную поддержку и гладкость.
- Аналитический декодер: позволяет получать строгие границы предсказаний через выпуклые оболочки Бернштейна и тейлоровские модели, что критично для безопасных инженерных расчетов.
- Условная обработка: модель учитывает глобальные параметры конструкции и эксплуатации.
Масштабируемость и производительность
Модель демонстрирует рекордную эффективность использования памяти. Обучение и инференс проходят на одном GPU NVIDIA A100, что делает технологию доступной для широкого круга исследователей. Модель поддерживает супер-разрешение "zero-shot" и эффективное вычисление пространственных производных в аналитическом виде.
| Метрика | Значение / Характеристика |
|---|---|
| Макс. узлов (обучение) | 26.6 миллионов |
| Макс. узлов (инференс) | 46 миллионов |
| Аппаратное обеспечение | Один GPU NVIDIA A100 |
| Ключевой кейс | Модель токамака MAST-U (29.2 млн узлов) |
| Бенчмарки | 6 трехмерных инженерных задач |
Значение для индустрии
Успешное применение к модели токамака MAST-U (29.2 млн узлов) доказывает жизнеспособность метода для сложных физических симуляций. L-SplineFNO не только снижает вычислительные затраты, но и предоставляет гарантии точности предсказаний в непрерывном пространстве, что является редким свойством для глубокого обучения в научных вычислениях.
Источник: arXiv cs.AI ↗