Optimierung von Zustandsfeldern erhält feine Details in budgetierten Simulationen

Die Herausforderung, neuronale Simulationsmodelle mit begrenztem Speicher exakt und detailreich zu betreiben, bleibt bestehen. Viele Ansätze reduzieren hochfrequente Fehler, indem sie Architekturen, Trainingsziele oder Rollout-Strategien verbessern. Doch bereits in budgetierten Coarsen‑Quantize‑Decode‑Pipelines gehen feine Details verloren, sobald der zu übertragende Zustand konstruiert wird.

Im klassischen, periodischen, inkompressiblen Navier‑Stokes‑Setting zeigen die Autoren, dass primitive und abgeleitete Felder unter demselben Operator systematisch unterschiedliche Band‑Verzerrungen aufweisen. Diese Beobachtung motiviert die Einführung von Derived‑Field‑Optimization (DerivOpt), einem generellen Zustands‑Design‑Framework, das entscheidet, welche physikalischen Felder transportiert werden und wie das Speicherbudget unter einem kalibrierten Kanalmodell verteilt wird.

Auf dem gesamten zeitabhängigen Forward‑Teil von PDEBench verbessert DerivOpt nicht nur den durchschnittlichen nRMSE der Rollouts, sondern liefert darüber hinaus einen entscheidenden Vorteil in der feinen Detailtreue gegenüber einer breiten Palette starker Baselines. Noch bemerkenswerter ist, dass die Verbesserungen bereits zum Eingabezeitpunkt sichtbar sind, bevor das Rollout‑Training beginnt – ein Hinweis darauf, dass der transportierte Zustand häufig der dominierende Engpass bei strengen Speicherbeschränkungen ist.

Diese Ergebnisse führen zu einer weitreichenden Schlussfolgerung: In budgetierten neuronalen Simulationen sollte die Gestaltung des transportierten Zustands als gleichwertige Design‑Achse neben Architektur, Verlustfunktion und Rollout‑Strategie betrachtet werden.