Neural Operators meistern Randbedingungen durch lernbasierte Verlängerungen
Neural Operators, die als leistungsstarke Ersatzmodelle für die Lösung partieller Differentialgleichungen gelten, stoßen bislang an ihre Grenzen, wenn es um die Handhabung komplexer und stark variabler Randbedingungen geht. Ein neues Forschungsprojekt präsentiert einen generellen Ansatz, der diese Einschränkung überwindet, indem Randdaten in latente Pseudo‑Erweiterungen über das gesamte räumliche Gebiet abgebildet werden. Dadurch können sämtliche Standard‑Operator‑Lernarchitekturen die Randinformation direkt nutzen.
