UniFluids: Neutrales neuronales Operator‑Lernen für PDEs mit Flow‑Matching

Die Simulation partieller Differentialgleichungen (PDEs) spielt in der Wissenschaft eine zentrale Rolle. Durch den Einsatz tiefer neuronaler Netzwerke eröffnet sich nun die Möglichkeit, Lösungoperatoren dieser Gleichungen zu erlernen. UniFluids präsentiert einen neuen Ansatz, der mithilfe eines konditionalen Flow‑Matching‑Frameworks die Skalierbarkeit von Diffusion‑Transformern nutzt, um Lösungoperatoren über verschiedenartige PDEs hinweg zu vereinheitlichen.

Im Gegensatz zu autoregressiven PDE‑Modellen erzeugt UniFluids mithilfe von Flow‑Matching parallele Sequenzen, was es zum ersten seiner Art macht, Operatoren in einem einheitlichen Rahmen zu lernen. Der Schlüssel liegt in einer vierdimensionalen, spatiotemporalen Repräsentation, die heterogene PDE‑Datensätze zusammenführt und eine gemeinsame, bedingte Codierung ermöglicht.

Ein weiterer Fortschritt ist die Erkenntnis, dass die effektive Dimensionalität der PDE‑Daten deutlich geringer ist als die Patch‑Dimension. Durch die Anwendung von x‑Prediction im Flow‑Matching-Prozess wird die Vorhersagegenauigkeit signifikant gesteigert.

In umfangreichen Tests zeigte UniFluids herausragende Genauigkeit bei PDE‑Datensätzen aus 1D, 2D und 3D. Die Ergebnisse belegen nicht nur eine starke Vorhersageleistung, sondern auch eine gute Skalierbarkeit und die Fähigkeit, sich über verschiedene Szenarien hinweg zu generalisieren.

Der Quellcode wird in Kürze veröffentlicht, sodass die Forschungsgemeinschaft von dieser innovativen Methode profitieren kann.