Operatori Neurali a Raffinamento Iterativo Migliorano il Bias Spettrale nella Modellazione Scientifica
Un nuovo articolo su arXiv introduce l'Operatore Neurale a Raffinamento Iterativo (IRNO), un metodo che potenzia operatori neurali pre-addestrati aggiungendo un modulo di raffinamento appreso applicato tramite iterazione a punto fisso. Questo approccio affronta il bias spettrale, la difficoltà degli operatori neurali nel risolvere dettagli ad alta frequenza. IRNO scompone le previsioni in un'inizializzazione grossolana seguita da correzioni residue successive, simile ai risolutori numerici classici. Sotto ipotesi locali, l'operatore indotto è dimostrato essere contrattivo, garantendo la convergenza a un punto fisso unico. Viene proposta una perdita spettrale progressiva per aumentare adattivamente le penalità sulle componenti ad alta frequenza durante l'addestramento. Test su sistemi fisici mostrano una riduzione consistente dell'errore, con miglioramenti fino al 56,05%.
Fatti principali
- IRNO potenzia operatori pre-addestrati con un modulo di raffinamento appreso tramite iterazione a punto fisso.
- Il metodo scompone la previsione in un'inizializzazione grossolana e correzioni residue successive.
- La contrazione dell'operatore indotto garantisce la convergenza a un punto fisso unico sotto ipotesi locali.
- Una perdita spettrale progressiva aumenta adattivamente la penalità sulle componenti ad alta frequenza durante l'addestramento.
- IRNO raggiunge un miglioramento fino al 56,05% nella riduzione dell'errore su sistemi fisici.
- L'articolo è pubblicato su arXiv con ID 2605.24041.
- L'approccio è parallelo ai risolutori numerici classici.
- Il bias spettrale si riferisce alla limitazione degli operatori neurali nel risolvere dettagli ad alta frequenza.
Entità
Istituzioni
- arXiv