Исследователи представили MoNo (Multiscale Optimal Transport Neural Operator) — архитектуру на базе трансформеров для решения дифференциальных уравнений в частных производных (PDE). Метод использует оптимальное транспортное планирование для стабильного отображения пространственных данных в латентные токены, что позволяет эффективно моделировать физические процессы на сложных геометрических структурах, где традиционные подходы часто теряют точность и стабильность.

Существующие нейросетевые операторы часто сталкиваются с проблемой несбалансированного распределения наблюдаемых точек при их проекции в латентное пространство. Это приводит к потере локальных физических деталей и нестабильности вычислений. Авторы MoNo предложили механизм многомасштабного оптимального транспорта, который обеспечивает равномерное покрытие области и сохраняет физическую согласованность данных при переходе между масштабами.

В ходе экспериментов модель продемонстрировала высокую точность при решении задач динамики жидкостей и теплопроводности. Использование оптимального транспорта позволяет системе адаптироваться к нерегулярным сеткам, что критически важно для инженерных расчетов и научного моделирования, где геометрия исследуемых объектов не является стандартной или симметричной.

Ключевые факты

  • MoNo использует механизм оптимального транспорта для обеспечения стабильного и сбалансированного отображения наблюдений в латентные токены.
  • Архитектура решает проблему потери точности при работе с нерегулярными геометрическими сетками, характерную для классических трансформерных операторов.
  • Метод показывает повышенную устойчивость при моделировании сложных физических явлений, описываемых дифференциальными уравнениями в частных производных.
  • Исследование направлено на улучшение масштабируемости нейронных операторов в задачах вычислительной физики.