单块A100搞定4600万节点！L-SplineFNO让非结构网格神经算子内存大降
Learnable Splines for Unstructured Neural Operators
📖 AI 总结
该论文提出L-SplineFNO，一种面向非结构网格的神经算子架构，旨在解决传统傅里叶神经算子（FNO）仅适用于均匀矩形网格、而工程仿真普遍采用大规模不规则局部加密网格之间的矛盾。其核心做法是将FNO主干与稀疏可学习的张量积B样条传递相结合，在非结构网格与潜在笛卡尔网格之间建立映射，并通过局部归一化散射规避依赖几何的解析样条求解，同时从构造上保持紧支撑、单位分解与样条光滑性。在六个三维工程基准上，该方法在保持较强预测精度的同时显著降低内存与计算开销，单张A100 GPU上训练可扩展至2660万节点、推理达4600万节点，并支持零样本超分辨与高效闭式空间导数。其解析样条解码器还能借助Bernstein凸包与Taylor模型，在连续空间和不确定参数下给出严格的预测界，并在2920万节点的MAST-U托卡马克模型上得到验证。该工作为工程级非结构网格仿真提供了兼具效率与可解释性的神经算子方案。
🔑 关键词速览
| 神经算子 | 一类用于近似偏微分方程解算子的神经网络模型，能在函数空间之间建立映射。 |
| 傅里叶神经算子 (FNO) | 一种基于傅里叶变换的神经算子架构，适用于均匀网格上的偏微分方程求解。 |
| B样条 | 一种分段多项式样条函数，具有局部支撑和光滑性，常用于几何建模和数值逼近。 |
| 非结构网格 | 网格单元形状和连接不规则、不遵循均匀矩形拓扑的网格，常见于工程仿真。 |
| 零样本超分辨率 | 模型无需针对高分辨率数据重新训练，即可直接生成更高分辨率预测的能力。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅