Исследователи представили теоретическую базу для обучения операторов на основе ядер (kernel-based operator learning), использующую двухэтапную схему сэмплирования. Метод объединяет офлайн-регрессию для аппроксимации целевого оператора и онлайн-реконструкцию для восстановления выходных функций. Авторы вывели условия распределения вычислительного бюджета, которые позволяют минимизировать общую ошибку аппроксимации при работе с дискретными данными и физически обоснованными задачами.
В основе подхода лежит разделение процесса на обучение дискретному представлению оператора на основе пар «вход-выход» и последующее восстановление непрерывного сигнала. Такая архитектура позволяет эффективно обрабатывать сложные функциональные зависимости, характерные для дифференциальных уравнений и задач математической физики. Авторы также предложили расширение метода, учитывающее физические ограничения (Physics-Informed), что повышает точность прогнозирования в условиях ограниченных данных.
Математический анализ показывает, что оптимальное распределение ресурсов между этапом обучения и этапом реконструкции напрямую влияет на скорость сходимости алгоритма. Это позволяет исследователям более гибко подходить к проектированию вычислительных пайплайнов, где требуется высокая точность при ограниченных мощностях для обработки операторных пространств.
Ключевые факты
- Предложен двухэтапный фреймворк: офлайн-регрессия для обучения и онлайн-реконструкция для восстановления данных.
- Выведено явное условие распределения бюджета, связывающее точность аппроксимации с количеством обучающих пар.
- Разработана модификация метода с учетом физических законов (Physics-Informed), улучшающая экстраполяцию в задачах моделирования.
- Исследование предоставляет теоретические гарантии сходимости для операторного обучения в рамках ядерных методов.