Исследователи выявили критическую уязвимость нейросетевых суррогатных моделей, используемых для аппроксимации физических симуляций. Несмотря на идеальные показатели точности на обучающих данных, модели демонстрируют резкое падение эффективности при смене семейства геометрических форм. Это ставит под сомнение надежность ИИ-систем в инженерных задачах, где требуется экстраполяция на принципиально новые конфигурации объектов без повторного обучения.
Суррогатные модели часто применяются для ускорения расчетов в гидродинамике и структурном анализе, заменяя ресурсоемкие численные методы. Однако текущее исследование показывает, что нейросети склонны «запоминать» специфические геометрические паттерны, а не выучивать фундаментальные физические законы. В результате, при изменении топологии или базовой формы объекта, модель теряет предсказательную способность, даже если физические параметры среды остаются прежними.
Данная проблема подчеркивает необходимость пересмотра подходов к архитектуре моделей, работающих с пространственными данными. Вместо стандартных сверточных или полносвязных сетей авторы указывают на важность внедрения инвариантных к геометрии представлений. Без учета этих ограничений использование ИИ в критически важных инженерных расчетах может привести к серьезным ошибкам в проектировании и анализе сложных систем.
Ключевые факты
- Нейросетевые суррогаты показывают высокую точность на тестовых выборках, идентичных по геометрии обучающим данным.
- Модели полностью теряют предсказательную точность при переходе к новым семействам геометрических форм.
- Основная причина сбоев заключается в переобучении на конкретных геометрических признаках, а не на физических принципах.
- Исследование подтверждает, что текущие архитектуры не способны к полноценной экстраполяции в задачах физического моделирования.