Журнал · Rit.work

PANO сжимает физические поля несколькими способами вместо одного

PANO сохраняет больше физических признаков при сжатии наблюдений и точнее предсказывает поля, деформации и аэродинамические коэффициенты.

Rit.work
Студия разработки
18 ноября 2026 г.2 мин чтения

Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.

Новая модель PANO научилась сохранять физические признаки, которые теряются при обычном сжатии наблюдений. На девяти наборах задач она показала лучшие результаты среди сравниваемых методов, хотя препринт не рецензирован и числа в нём получили сами авторы. Для инженерных моделей это делает параллельное сжатие альтернативой простому увеличению глубины нейронного оператора.

Нейронный оператор принимает наблюдения о физической системе и предсказывает целое поле: например, давление, скорость потока или напряжение материала. Чтобы не сопоставлять напрямую каждую точку со всеми остальными, такие модели обычно собирают наблюдения в ограниченный набор скрытых токенов. Но один способ группировки отбрасывает часть различий, а последующие слои уже не могут их восстановить.

PANO независимо сжимает одни и те же точки несколькими способами, обрабатывает получившиеся скрытые пространства параллельно и складывает результаты после обратного преобразования. Параметры основного модуля при этом общие. Механизм CAP использует согласованные веса для сжатия и восстановления, чтобы отдельные токены не получали несоразмерно большой вес, а PaLA передаёт между пространствами сведения, которые сохранил один путь и пропустил другой.

На Unilateral Stamping ошибка прогноза эквивалентной пластической деформации оказалась как минимум на 28,3% ниже, чем у существующих методов. На AirCraft ошибка коэффициента подъёмной силы снизилась как минимум на 21,4%. Эксперименты с отключением отдельных скрытых пространств ухудшали результат по-разному: пути не дублировали друг друга, а удерживали разные части входных данных.

Проверка охватила стандартные задачи Darcy, Airfoil, Plasticity, Elasticity и NS2D, а также AirfRANS, Unilateral Stamping, ShapeNetCar и AirCraft. Самый крупный пример содержал около 330 тысяч наблюдений; PANO сравнивали с десятью нейронными операторами и моделями для физических систем. Поэтому результат применим прежде всего к задачам с крупными сетками и сложной геометрией, где одно скрытое представление становится узким местом.

Источники

Пауза в чтении

Похоже на вашу задачу?

Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.

Rit.work

Студия разработки

Собираем мобильные приложения и помогаем командам получать от AI реальную пользу. Основатель и команда, работаем удалённо — с клиентами в России и за рубежом.

← Ко всем материалам
Понравилось? Обсудим вашу задачу