محققان به تازگی معماری جدیدی به نام «عملگرهای عصبی فاکتوریزه» (Factorized Neural Operators) یا همان FaNO معرفی کردهاند که گامی بزرگ برای شبیهسازی دقیقتر پدیدههای فیزیکی است.
چالش اصلی مدلهای فعلی این است که نمیتوانند به خوبی بین رفتارهای گذرا (سریع) و ساختارهای ماندگار (ثابت) در سیستمهای فیزیکی تفکیک قائل شوند. FaNO با استفاده از یک رویکرد خلاقانه، این دو جنبه را از هم جدا میکند:
✅ شاخه پویا: برای یادگیری تغییرات سریع و گذرا.
✅ شاخه مانا: برای استخراج ساختارهای پایدار و منظم.
نتیجه این تفکیک، افزایش چشمگیر دقت در پیشبینیهای بلندمدت، بهرهوری بیشتر در استفاده از پارامترها و قدرت تعمیمدهی بالاتر در محیطهای مختلف است. این مدل ثابت میکند که آینده هوش مصنوعی در حوزه فیزیک، فراتر از مدلهای تکساختاری، به سمت مدلهای چندشاخه و تخصصی حرکت میکند.
سازی
منبع: arXiv Machine Learning