Neues neuronales Modell entschlüsselt nichtlineare PDEs mit Lie-Generatoren

Ein innovatives neuronales Operator-Modell, das Lie Generator Network-Koopman (LGN‑KM) genannt wird, bietet erstmals einen systematischen Ansatz zur Analyse nichtlinearer partieller Differentialgleichungen. Durch die Aufhebung der üblichen Beschränkungen linearer Dynamiksysteme ermöglicht LGN‑KM die Darstellung komplexer, nichtlinearer Prozesse in einem linearen latenten Raum.

Das Herzstück des Modells ist der kontinuierliche Koopman-Generator Lk, der in zwei Teile zerlegt wird: ein schiefe-symmetrischer Anteil S, der konservative, intermodale Kopplungen beschreibt, und ein positiv definites Diagonalglied Dk, das die Modal‑Dissipation kodiert. Diese architektonische Trennung garantiert Stabilität und eröffnet gleichzeitig einen direkten Zugang zu den Spektren der erlernten Dynamik.

In einer Demonstration auf zweidimensionaler Navier–Stokes‑Turbulenz konnte LGN‑KM die bekannte Dissipations‑Skalierung sowie eine vollständige, mehrzweige Dispersion‑Relation aus reinen Trajektorien­daten rekonstruieren – und das ohne physikalische Supervision. Selbst wenn Modelle unabhängig für unterschiedliche Strömungs­regime trainiert werden, erhalten sie ein einheitliches, gauginvariantes Spektrum, was auf eine zugrunde liegende Gaußfreiheit in der Koopman‑Aufhebung hinweist.

Da der Generator mathematisch stabil ist, ermöglicht er langfristig stabile Vorhersagen, die kontinuierlich in beliebige Zeitpunkte evaluiert werden können. Darüber hinaus eröffnet die physikbasierte Struktur die Möglichkeit, Modelle über verschiedene Viskositäts­werte hinweg zu übertragen, was einen bedeutenden Fortschritt für die Simulation komplexer Strömungs­phänomene darstellt.