Di-BiLPS: Risolutore Neurale di PDE per Osservazioni Estremamente Sparse

I ricercatori propongono Di-BiLPS, un framework neurale unificato per risolvere problemi diretti e inversi di equazioni alle derivate parziali (PDE) con dati osservativi estremamente sparsi. Il modello combina un autoencoder variazionale per comprimere input ad alta dimensionalità in uno spazio latente, un modulo di diffusione latente per la modellazione dell'incertezza e l'apprendimento contrastivo per l'allineamento delle rappresentazioni. Operando interamente in questo spazio latente, Di-BiLPS supera le limitazioni dei risolutori numerici classici e degli approcci neurali esistenti, che degradano gravemente quando i dati sono estremamente sparsi. Il framework mira a migliorare l'efficienza dell'inferenza ad alte risoluzioni e a mantenere l'accuratezza in regimi sparsi. Il lavoro è pubblicato su arXiv con riferimento 2605.13790.