HyPINO: Neural Operator für Multi‑Physics PDEs ohne Feinabstimmung

HyPINO ist ein neuartiger Multi‑Physics Neural Operator, der ohne task‑spezifisches Fine‑Tuning über eine breite Palette parametrisierter partieller Differentialgleichungen (PDEs) hinweg zero‑shot generalisiert. Durch die Kombination eines Swin‑Transformer‑basierten Hypernetworks mit einer Misch‑Supervision – analytische Lösungen aus der Method of Manufactured Solutions (MMS) als gelabelte Daten und unlabelled Samples, die mit physik‑informierten Zielen optimiert werden – kann das Modell PDE‑Parametrisierung direkt in passende Physics‑Informed Neural Networks (PINNs) übersetzen.

HyPINO ist in der Lage, lineare elliptische, hyperbolische und parabolische Gleichungen zweidimensional zu lösen, wobei unterschiedliche Quellterm‑Variationen, Geometrien sowie gemischte Dirichlet/Neumann‑Randbedingungen – inklusive Innen­randbedingungen – berücksichtigt werden. Auf sieben Benchmark‑Problemen aus der PINN‑Literatur erzielt HyPINO eine starke Zero‑Shot‑Genauigkeit und übertrifft dabei etablierte Architekturen wie U‑Nets, Poseidon und den Physics‑Informed Neural Operator (PINO).

Ein besonderes Merkmal ist die iterative Verfeinerung: Das Modell vergleicht die physikalische Konsistenz des generierten PINNs mit der gewünschten PDE, erzeugt daraus einen „Delta‑PINN“ und summiert die Beiträge. Durch wiederholtes Anwenden dieses Prozesses reduziert sich der Fehler signifikant – in einem Fall übersteigt die Reduktion die durchschnittliche L₂‑Verlust um mehr als 100‑fach, während die Vorwärtsinferenz unverändert bleibt. Darüber hinaus zeigen Experimente, dass PINNs, die mit HyPINO initialisiert werden, schneller konvergieren und niedrigere Endfehler erreichen als sowohl zufällig initialisierte als auch Reptile‑Meta‑lernende PINNs auf fünf Benchmarks.