Risolutori Eikonali Neurali Equivarianti per la Previsione Scalabile dei Tempi di Percorso
Un nuovo framework chiamato Risolutori Eikonali Neurali Equivarianti è stato sviluppato dai ricercatori, fondendo i Campi Neurali Equivarianti (ENF) con i Risolutori Eikonali Neurali. Questo approccio utilizza un campo neurale singolo che si basa su un backbone comune, condizionato da variabili latenti specifiche del segnale rappresentate come nuvole di punti in un gruppo di Lie. L'integrazione degli ENF garantisce una mappatura equivariante dalle rappresentazioni latenti al campo della soluzione, migliorando l'efficienza della rappresentazione attraverso la condivisione dei pesi, un forte radicamento geometrico e la steerabilità della soluzione. Questa steerabilità consente trasformazioni nella nuvola di punti latente per creare cambiamenti prevedibili e significativi nella soluzione Eikonal. Combinando queste rappresentazioni steerabili con le Reti Neurali Informate dalla Fisica (PINN), il framework modella accuratamente le soluzioni dei tempi di percorrenza Eikonali mantenendo la generalizzazione su spazi omogenei. È senza griglia e scalabile, superando i vincoli delle tecniche convenzionali basate su griglia. La ricerca è documentata in un articolo disponibile su arXiv con identificatore 2505.16035.
Fatti principali
- Il framework integra Campi Neurali Equivarianti con Risolutori Eikonali Neurali.
- Utilizza un singolo campo neurale con backbone condiviso condizionato da variabili latenti.
- Le variabili latenti sono rappresentate come nuvole di punti in un gruppo di Lie.
- La mappatura equivariante garantisce condivisione dei pesi, radicamento geometrico e steerabilità.
- La steerabilità consente modifiche prevedibili alle soluzioni tramite trasformazioni latenti.
- Accoppiato con Reti Neurali Informate dalla Fisica per una modellazione accurata dei tempi di percorrenza.
- Approccio senza griglia e scalabile per spazi omogenei.
- Pubblicato su arXiv con ID 2505.16035.
Entità
Istituzioni
- arXiv