La Decomposizione di Hodge Migliora l'Apprendimento degli Operatori Neurali su Mesh Geometriche

Un recente articolo pubblicato su arXiv (2605.13834) presenta un nuovo approccio all'apprendimento degli operatori neurali che preserva la topologia attraverso la decomposizione di Hodge. I ricercatori dimostrano che l'ortogonalità di Hodge affronta efficacemente l'interferenza spettrale distinguendo tra gradi di libertà topologici non apprendibili e dinamiche geometriche apprendibili. Stabiliscono una decomposizione sistematica a livello di operatore basata sulla teoria di Hodge e sullo splitting degli operatori, portando alla creazione di un'architettura ibrida euleriana-lagrangiana con un bias induttivo algebrico chiamato Dualità Spettrale di Hodge (HSD). Questo framework impiega forme differenziali discrete per componenti incentrate sulla topologia e utilizza uno spazio ambiente ausiliario ortogonale per gestire dinamiche locali complesse. Il metodo mostra una maggiore accuratezza ed efficienza su grafi geometrici, mantenendo al contempo una forte fedeltà agli invarianti fisici. Il codice sorgente è accessibile tramite il repository GitHub fornito.