Formler möter algoritmer – forskningen visar att de når längre tillsammans

När formler och neurala nätverk möts

Det finns en gammal spänning inom beräkningsvetenskap: å ena sidan de eleganta differentialekvationerna som beskriver naturens lagar, å andra sidan de datadrivna modeller som lär sig mönster utan att förstå dem. Under det senaste året har den spänningen börjat lösas upp — inte genom att en sida vinner, utan genom att de två traditionerna smälter samman på sätt som var svåra att föreställa sig för bara fem år sedan.

Ta Tadpole, en ny grundmodell som presenterades på arXiv och som är byggd specifikt för att hantera tredimensionella partiella differentialekvationer — de matematiska verktyg som ligger bakom simuleringar av allt från vätskedynamik till värmeöverföring. Det fascinerande med Tadpole är inte bara vad den kan göra, utan hur den tränades: som en autoenkodare på syntetiskt genererad data, vilket motsvarar hundratals terabyte utan att faktiskt kräva den lagringen. Resultatet är en modell som kan finjusteras för dynamikmodellering och generativ modellering trots att den aldrig ursprungligen tränades för det.

Parallellt med detta har ett annat forskarlag publicerat vad som kan bli ett av de mer långsiktigt betydelsefulla teoretiska bidragen på länge: de första universella approximationssatserna för icke-linjära operatorer och deras derivator i så kallade Banachrum. Det låter abstrakt — och det är det — men konsekvenserna är konkreta. Det ger operatorinlärning, där modeller tränas att lära sig matematiska operatorer snarare än vanliga funktioner, ett stabilt matematiskt fundament. Tänk på det som att vi äntligen kan bevisa att de verktyg vi redan använder faktiskt fungerar av väldefinierade skäl.

Klassisk mekanik som lärare

Ett av de mer eleganta bidragen kommer från forskning kring så kallad flödesmatchning — tekniken bakom många moderna generativa modeller. Befintliga metoder transporterar datapunkter längs raka linjer, men ett nytt ramverk hämtar inspiration från den klassiska mekanikens princip om minsta verkan. Genom att styra rörelsebanor med en godtycklig Lagrange-funktion öppnar sig ett helt nytt landskap av möjliga rörelsemönster — utan att offra prestanda jämfört med etablerade metoder. Det är ett vackert exempel på hur 300 år gammal fysik kan ge moderna neurala nätverk nya frihetsgrader.

Praktiska genombrott i industrin

Men forskningen stannar inte vid det abstrakta. AirfoilGen, en modell baserad på latent diffusionsteknik, designar vingprofiler för flygplan med en styrningsnoggrannhet på hela 98,41 procent. Den löser ett klassiskt problem: tidigare metoder genererade ofta geometriskt ogiltiga former. AirfoilGen introducerar en representationsmetod kallad "circle sweeping" som garanterar att de genererade vingarna faktiskt uppfyller grundläggande fysikaliska krav — och gör det med ett träningsdataset på över 200 000 profiler, jämfört med det tidigare standarddatasetets 1 650.

Innom materialvetenskap presenterar WaveGraphNet ett system för att hitta dolda skador i kolfiberkompositer — material som används brett inom flyg- och bilindustrin. Det smarta är arkitekturen: en invers gren som beräknar skadelivets position kombineras med en framåtriktad gren som fungerar som en fysikalisk kontroll och verifierar att resultaten stämmer överens med hur ultraljudsvågor faktiskt beter sig i materialet. Fysiken används med andra ord som en inbyggd kvalitetssäkring.

På liknande sätt accelererar ett faltningsnätverk simuleringar av vätskeflöde genom porösa material — relevant för allt från geologi till kemiteknik — genom att använda nätverkets förutsägelser som startpunkt för klassiska Lattice-Boltzmann-simuleringar. Konvergensen förbättrades i över 90 procent av fallen.

Från seismologi till stadsplanering

Några av de mest samhällskritiska tillämpningarna handlar om naturkatastrofer och klimat. QuChaTeR kombinerar kvantkretsar, kaosteori och vågletbaserad förbehandling för att förutsäga jordbävningar — en uppgift som länge ansetts nästan omöjlig på grund av signalernas extremt kaotiska natur. Systemet visar bättre prestanda än både klassiska och kvantinspirerade referensmodeller, även om skalbarhetsproblem med nuvarande kvantmaskinvara kvarstår.

I Sarajevo har forskare med hjälp av satellitdata och djupinlärning byggt ett system som förutsäger nästa dags värmeförhållanden med ett förklaringsvärde på 0,89 — och som dessutom genererar stadsövergripande värmeriskkartor. I en tid av tilltagande värmeböljor är det exakt den typ av verktyg som stadsplanerare behöver.