ИССЛЕДОВАНИЕ · RESEARCH · #2186
L-SplineFNO: обучаемый сплайновый перенос для нейронных операторов на неструктурированных сетках (arXiv:2610.22446v1)
В статье представлен L-SplineFNO — экономичный по памяти нейронный оператор, сочетающий основу Fourier Neural Operator с разреженным обучаемым тензорным B‑сплайновым переносом между неструктурированными сетками и латентной декартовой сеткой. Подход использует локальный нормализованный scatter для обхода геометрозависимых решений сплайнов, масштабируется до десятков миллионов узлов на одном NVIDIA A100 (26,6 млн при обучении, 46 млн при инференсе), поддерживает нулевой-shot суперразрешение и аналитические пространственные производные, а также даёт строгие оценки погрешности в непрерывном пространстве через выпуклые оболочки Бернштейна и тaylor-модели (показано на модели токамака MAST-U с 29,2 млн узлов).
КЛЮЧЕВЫЕ ТЕЗИСЫ
- В статье представлен L-SplineFNO — экономичный по памяти нейронный оператор, сочетающий основу Fourier Neural Operator с разреженным обучаемым тензорным B‑сплайновым переносом между неструктурированными сетками и латентной декартовой сеткой.
- Подход использует локальный нормализованный scatter для обхода геометрозависимых решений сплайнов, масштабируется до десятков миллионов узлов на одном NVIDIA A100 (26,6 млн при обучении, 46 млн при инференсе), поддерживает нулевой-shot суперразрешение и аналитические пространственные производные, а также даёт строгие оценки погрешности в непрерывном пространстве через выпуклые оболочки Бернштейна и тaylor-модели (показано на модели токамака MAST-U с 29,2 млн узлов).
- Это продвижение в научном машинном обучении — метод даёт эффективные и масштабируемые нейронные операторы для реальных инженерных сеток и вводит строгие непрерывные оценки неопределённости, что важно для применения обученных суррогатов в крупномасштабных моделированиях.
ПОЧЕМУ ЭТО ВАЖНО
Это продвижение в научном машинном обучении — метод даёт эффективные и масштабируемые нейронные операторы для реальных инженерных сеток и вводит строгие непрерывные оценки неопределённости, что важно для применения обученных суррогатов в крупномасштабных моделированиях.