Neuer Ansatz: Gaussian-Teilchen-Operator liefert interpretierbare PDE-Lösungen

Die Modellierung von PDE-Dynamiken für Flüssigkeiten hat sich in den letzten Jahren stark auf neuronale Operatoren und Transformer‑basierte Architekturen verlagert. Trotz ihrer hohen Leistungsfähigkeit bleiben diese Methoden oft schwer nachvollziehbar und kämpfen mit lokalisierten, hochfrequenten Strukturen. Zudem führt die quadratische Abhängigkeit von der Anzahl der räumlichen Stichproben zu erheblichen Rechenkosten.

Um diese Schwächen zu überwinden, stellen wir eine neue Felddarstellung vor, die auf einer Gaußschen Basis basiert. Die einzelnen Atome tragen dabei explizite geometrische Informationen – Mittelpunkt, anisotropen Skalierung und Gewicht – und bilden einen kompakt, netzunabhängigen und direkt visualisierbaren Zustand. Diese Darstellung ist nicht nur übersichtlich, sondern ermöglicht auch eine klare Interpretation der zugrunde liegenden physikalischen Prozesse.

Auf dieser Basis entwickeln wir den Gaussian Particle Operator, der im Modalraum arbeitet. Lernbare Gaußsche Modalfenster führen eine Petrov‑Galerkin‑Messung durch, während die PG Gaussian Attention globale Kopplungen über verschiedene Skalen hinweg ermöglicht. Durch diese Basis‑zu‑Basis‑Architektur bleibt die Methode resolutionsunabhängig und erreicht nahezu lineare Komplexität in Bezug auf die Stichprobengröße, sofern ein fester Modalbudget eingehalten wird.

Die Kombination aus hoher Genauigkeit, interpretierbarer Struktur und effizienten Rechenkosten wurde an Standard‑PDE‑Benchmarks sowie an realen Datensätzen getestet. Die Ergebnisse zeigen, dass der Ansatz nicht nur mit bestehenden State‑of‑the‑Art‑Methoden konkurriert, sondern gleichzeitig die Transparenz und das Verständnis der Modellierungsergebnisse deutlich verbessert.