Neues physikbasiertes Partitions-Ansatz-Deep Network steigert PDE-Lösungen

In der Welt der partiellen Differentialgleichungen (PDEs) hat sich Operator‑Learning zu einem leistungsstarken Werkzeug entwickelt, das schnelle Vorhersagen von vollständigen Raum‑Zeit‑Feldern ermöglicht – selbst für neue Anfangsbedingungen oder Störgrößen. Traditionelle Architekturen wie DeepONet und der Fourier Neural Operator (FNO) liefern beeindruckende Ergebnisse, stoßen jedoch häufig an Grenzen: sie benötigen große Trainingsdatensätze, enthalten keine explizite physikalische Struktur und können instabil werden, wenn die Trunk‑Netzwerk‑Features ungleichmäßig oder kollabierend sind.

Die neue Methode, das PIP2 Net, nutzt die Stabilität und Lokalisierung klassischer Partition‑of‑Unity‑Methoden. Durch ein vereinfachtes, aber prinzipielles Partitions‑Penalty‑Konzept werden die Trunk‑Ausgaben koordiniert, was die Ausdruckskraft erhöht, ohne die Flexibilität von DeepONet zu verlieren. Das Ergebnis ist ein physikinformiertes Deep Operator Network, das sowohl robust als auch daten­effizient arbeitet.

In umfangreichen Tests auf drei nichtlinearen PDEs – der viskosen Burgers‑Gleichung, der Allen–Cahn‑Gleichung und einem Diffusions‑Reaktionssystem – zeigte das PIP2 Net konsequent bessere Vorhersagegenauigkeit und Robustheit als DeepONet, PI‑DeepONet und POU‑DeepONet. Diese Fortschritte markieren einen bedeutenden Schritt in Richtung schneller, zuverlässiger PDE‑Simulationen, die weniger Daten benötigen und gleichzeitig physikalische Prinzipien stärker berücksichtigen.