Latent Generative Solvers ile Uzun Vadeli Fizik Simülasyonunda Yeni Dönem
Latent Generative Solvers ile Uzun Vadeli Fizik Simülasyonunda Yeni Dönem
Latent Generative Solvers (LGS), heterojen PDE sistemlerinde uzun vadeli simülasyonlar için belirsizlik odaklı, verimli ve genelleştirilebilir yeni bir yaklaşım sunuyor.
Önemli Noktalar
- LGS, farklı PDE durumlarını ortak bir latent fizik uzayına haritalıyor.
- Verimlilikte %7000’e varan FLOPs azaltımı ile büyük ölçekli ön eğitim mümkün oluyor.
- Uzun vadeli tahminlerde drift ve belirsizliği azaltarak daha güvenilir sonuçlar sağlıyor.
Latent Generative Solvers Nedir?
Latent Generative Solvers (LGS), 2026 yılı içinde duyurulan yeni bir çerçeve olarak, heterojen kısmi diferansiyel denklem (PDE) sistemlerinde uzun vadeli simülasyonların genelleştirilebilmesini hedefliyor. LGS, iki aşamalı bir yöntemle çalışıyor: İlk olarak, çeşitli PDE durumlarını önceden eğitilmiş bir VAE ile ortak bir latent fizik uzayında temsil ediyor. Ardından, Transformer mimarisiyle akış eşlemesi üzerinden olasılıksal latent dinamikleri öğreniyor.
Teknik Detaylar
Belirsizlik Kontrolü ve Drift Düzeltme
LGS’nin temel mekanizması, eğitim ve çıkarım sırasında latent girdileri rastgele bozarak çözümleyicinin manifold dışı driftleri düzeltmesini öğretiyor. Bu yaklaşım, öngörülerin kararlılığını artırıyor ve uzun vadeli tahminlerde otomatik düzeltme sağlıyor.
Flow Forcing ile Bağlam Güncellemesi
Model tarafından üretilen trajektörilerden sistem tanımlayıcısı (bağlam) güncellenerek, eğitim ve test koşulları daha iyi hizalanıyor ve uzun vadeli kararlılık sağlanıyor.
Verimlilik ve Adaptasyon
Yaklaşık 2.5 milyon trajektörinin $128^2$ çözünürlükte ve 12 PDE ailesinde ön eğitiminde, LGS kısa vadede güçlü deterministik neural-operator tabanlı modellerle benzer performans gösterirken, uzun vadeli simülasyonlarda driftin önemli ölçüde azaltılmasını sağlıyor. Latent uzayda öğrenme ve mimari optimizasyon sayesinde, geleneksel yöntemlere göre FLOPs açısından 70 kat daha verimli çalışıyor.
Ayrıca, LGS, sınırlı ince ayar bütçesiyle $256^2$ çözünürlükte Kolmogorov akışı gibi dağılım dışı veri setlerine hızlı ve etkili adaptasyon gösteriyor.
Bilimsel Çalışmalarda Potansiyel
LGS, belirsizlik odaklı, genelleştirilebilir ve uzun vadeli öngörülerde güvenilir neural PDE çözümleyicileriyle bilimsel iş akışlarında yeni bir pratik yol sunuyor.
Kaynak: arxiv.org