DIFNOs: Fourier Neural Operator mit Ableitungsinfo optimieren PDEs

In einer neuen Veröffentlichung auf arXiv wird ein fortschrittlicher Ansatz für die Approximation von partiellen Differentialgleichungen vorgestellt: der Derivative‑Informed Fourier Neural Operator (DIFNO). Dieser Ansatz erweitert die klassische Fourier Neural Operator (FNO) um die gleichzeitige Minimierung von Fehlern in den Funktionswerten und in deren Fréchet‑Ableitungen. Dadurch kann der DIFNO nicht nur die Lösung einer hochpräzisen PDE‑Operatorfunktion exakt nachbilden, sondern auch deren Sensitivitäten zuverlässig reproduzieren.

Die Autoren zeigen, dass für stetig differenzierbare Operatoren der DIFNO gleichzeitig die universelle Approximation von Funktionswerten und Ableitungen auf kompakten Mengen gewährleistet ist. Darüber hinaus wird die Fähigkeit nachgewiesen, in gewichteten Sobolev‑Räumen mit unbeschränkten Eingabemengen zu approximieren. Diese theoretischen Resultate bestätigen, dass FNO‑Modelle mit Ableitungsinformation besonders geeignet sind, um PDE‑optimierte Aufgaben präzise zu lösen.

Zur praktischen Umsetzung wurden effiziente Trainingsmethoden entwickelt, die Dimensionsreduktion und Mehrauflösungs‑Techniken kombinieren. Diese Verfahren reduzieren den Speicherbedarf und die Rechenzeit erheblich, ohne die Genauigkeit zu beeinträchtigen. In numerischen Tests – darunter nichtlineare Diffusions‑Reaktions‑, Helmholtz‑ und Navier‑Stokes‑Gleichungen – zeigen die DIFNOs eine deutlich geringere Stichprobenkomplexität und übertreffen herkömmliche FNO‑Modelle bei der Lösung von unendlichen dimensionalen PDE‑optimierten Inverseproblemen.