SGNO: Neuer Neural Operator stabilisiert lange PDE‑Rollouts

Forscher haben einen neuen Neural Operator namens SGNO vorgestellt, der lange Rollouts von partiellen Differentialgleichungen (PDEs) stabilisiert.

Traditionelle autoregressive Rollouts neigen zu Instabilitäten, weil Fehler mit jeder Zeitschritt‑Iteration akkumulieren und hochfrequente Komponenten wachsen. Diese Probleme erschweren die Nutzung von Neural Operators in langfristigen Vorhersagen.

SGNO kombiniert exponentielle Zeitdifferenzierung im Fourierraum mit einem lernbaren Diagonalgenerator. Der Realteil dieses Generators wird bewusst nicht positiv gehalten, sodass die lineare Dynamik nicht verstärkt wird.

Für die nichtlinearen Effekte fügt SGNO einen gated forcing Term ein, der innerhalb jedes Fourier‑Modus kanalübergreifende Mischungen ermöglicht. Dadurch bleibt die nichtlineare Aktualisierung kontrolliert und verhindert, dass unerwünschte Schwingungen entstehen.

Zusätzlich wird eine Spektraltrunkierung und optional ein glatter Maskenfilter auf den Forcing‑Pfad angewendet, um Hochfrequenzfeedback weiter zu begrenzen.

Die Autoren erarbeiten einen ein‑Schritt‑Amplifikations‑ und einen endlichen Horizont‑Fehlergrenzwert. Diese Grenzen trennen die Approximation des Generators von der nichtlinearen Diskrepanz und liefern Bedingungen, unter denen die latente L2‑Norm über die Rollout‑Schritte hinweg nicht wächst.

Auf dem APEBench‑Datensatz, der 1D‑, 2D‑ und 3D‑PDE‑Familien umfasst, erzielt SGNO deutlich geringere Fehler bei langen Horizonten und längere stabile Rollout‑Längen als starke Baselines.

Ablationsstudien bestätigen die Bedeutung der Generatorbeschränkung, des Gateings und der Filterung für die Leistungsverbesserung.

Der Code ist öffentlich auf GitHub verfügbar.