IA e os Problemas Difíceis do Mundo · Física · arXiv · 2026-10-21
Aprendizado com Pré-condicionamento de Born para Solucionadores Neurais Iterativos de EDPs
Título original: Born-Preconditioned Learning for Iterative Neural PDE Solvers
Simular ondas de alta frequência em meios espacialmente variáveis continua sendo um desafio tanto para métodos iterativos clássicos quanto para solucionadores neurais de EDPs. O Neural Preconditioned Born Series (NPBS) aprende solucionadores neurais iterativos de EDPs usando um pré-condicionador de referência simples para ajudar a aprender um neural mais eficaz: com base no Convergent Born Series, uma rede recebe um resíduo pré-condicionado e prevê uma atualização da solução, sendo treinada com um objetivo com métrica correspondente que usa o mesmo pré-condicionador de referência na entrada e na perda para reduzir esse resíduo após cada atualização. Em problemas de Helmholtz heterogêneos, a NPBS reduz o número de iterações em todas as arquiteturas neurais, com ganhos maiores em números de onda mais altos, e alcança o menor tempo de wall-clock na comparação avaliada de solucionadores de Krylov, além de se estender naturalmente a três dimensões e melhorar a convergência em sistemas de convecção-difusão-reação e em sistemas lineares de Newton para EDPs não lineares.