Nieuwe neurale operator voorspelt grensvlakken zonder datatraining

In de wetenschappelijke wereld worden computermodellen traditioneel getraind met grote hoeveelheden referentiedata die afkomstig zijn van bestaande simulators. Een recent gepubliceerd onderzoek beschrijft echter een methode waarbij dit niet langer nodig is voor het voorspellen van bewegende grensvlakken onder invloed van een stroming. Door gebruik te maken van een specifieke wiskundige opzet en een ruimtelijk-temporele Fourier-architectuur, kan het systeem direct leren op basis van onderliggende fysische wetmatigheden.

Fysische wetten als leidraad

Binnen de natuurkunde en computergraphics is het nauwkeurig simuleren van veranderende grensvlakken een complex vraagstuk. Neurale operatoren worden steeds vaker ingezet om traditionele rekenmodellen te versnellen, omdat ze na training direct resultaten kunnen geven. Het weglaten van trainingsdata maakt het systeem onafhankelijk van vooraf berekende oplossingen, wat nieuwe wegen opent voor het modelleren van complexe fysische processen.