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.

Der Schlüssel liegt in der Kombination einer beliebigen Domänen‑zu‑Domänen‑Neural‑Operator‑Architektur mit den erlernten Rand‑zu‑Domänen‑Erweiterungen. Das Ergebnis ist ein Modell, das gleichzeitig die Abhängigkeiten von komplexen Randbedingungen und von Eingangs­funktionen im Gebiet erlernen kann. Auf 18 anspruchsvollen Datensätzen – darunter Poisson‑, lineare Elastizitäts‑ und hyperelastische Probleme mit stark variierenden, gemischten, komponenten‑weise und mehrsegmentigen Randbedingungen auf unterschiedlichen Geometrien – wurde das Verfahren getestet.

Die Ergebnisse sind beeindruckend: Der neue Ansatz erzielt branchenführende Genauigkeit, übertrifft etablierte Baselines deutlich und erfordert keine Hyperparameter‑Tuning‑Schritte über die verschiedenen Datensätze hinweg. Damit zeigt die Studie, dass das Lernen von Rand‑zu‑Domänen‑Erweiterungen eine effektive und praktikable Strategie ist, um komplexe Randbedingungen in bestehenden Neural‑Operator‑Frameworks zu integrieren. Dies eröffnet die Möglichkeit, robuste und präzise wissenschaftliche Machine‑Learning‑Modelle für ein breiteres Spektrum an PDE‑gesteuerten Problemen zu entwickeln.