IKNO para Navier-Stokes: preciso ante rotaciones y 5,6 veces más pequeño que TFN

Un sustituto neuronal (surrogate) para ecuaciones en derivadas parciales puede ajustarse bien a los datos de entrenamiento y, aun así, dar respuestas distintas para el mismo estado físico si se rota el sistema de coordenadas. Un nuevo trabajo en arXiv propone una arquitectura que no tiene este problema por construcción. Invariant-Conditioned Isotropic Kernel Neural Operator, o IKNO, predice la dinámica tridimensional de Navier-Stokes sobre puntos distribuidos de forma irregular. La consistencia ante rotaciones se mantiene hasta la precisión numérica. En precisión, el modelo es comparable a Tensor Field Network, una red general consciente de las rotaciones, con 5,6 veces menos parámetros.

Dónde fallan los surrogates convencionales

El planteamiento es el siguiente. Hay una nube de puntos en 3D y en cada uno se registra la velocidad. El modelo debe predecir cómo cambiará la velocidad en el siguiente paso. La física es isótropa: si se rotan tanto las posiciones como las velocidades, el cambio de velocidad debe rotar igual. Es la equivarianza respecto al grupo SO(3).

Una red de grafos convencional no lo sabe. Ve las coordenadas y las componentes de los vectores como un conjunto de números y puede aprender una dependencia de la orientación concreta. Los autores comprobaron el remedio habitual, es decir, entrenar con ejemplos rotados al azar. Esto reduce la dependencia del sistema de coordenadas, pero no la elimina por completo. El error residual persiste incluso con aumentación.

Cómo está diseñado IKNO

La idea consiste en separar los roles. El modelo construye las interacciones locales entre puntos vecinos a partir de dos tipos de magnitudes:

• escalares que no cambian con la rotación (por ejemplo, distancias y productos escalares);
• direcciones vectoriales que rotan junto con los datos.

Los escalares determinan la intensidad de la interacción y los vectores fijan hacia dónde apunta. El núcleo es isótropo, de modo que la salida rota con la entrada por construcción. Esta propiedad está integrada en la arquitectura, no se aprende de los datos.

Como el modelo está especializado en PDE vectoriales, no necesita el aparato pesado de las redes equivariantes generales. Tensor Field Network, que trabaja con representaciones tensoriales del grupo de rotaciones, sirve para un amplio abanico de problemas, pero lo paga en tamaño.

Qué muestran las mediciones

La evaluación se hizo sobre un conjunto de datos reservado que se fijó una vez terminado el diseño del modelo. Esto reduce el riesgo de que la arquitectura se haya ajustado al test.

• Consistencia ante rotaciones en IKNO: hasta la precisión numérica.
• Modelos de grafos sin restricciones, entrenados con aumentación por rotaciones: la dependencia disminuye, pero persiste.
• Precisión de predicción: al nivel de Tensor Field Network.
• Tamaño: 5,6 veces menos parámetros que TFN.
• Frente a un simulador de grafos con el mismo número de parámetros: IKNO sale ganando.

El último punto es clave para que la comparación sea justa. La ventaja no proviene del tamaño del modelo, sino de la simetría incorporada.

Para qué sirve y dónde están los límites

Para quienes construyen surrogates en CFD, meteorología, simulación de partículas o robótica, la conclusión es práctica. Si el problema tiene una simetría conocida, conviene integrarla en la arquitectura en lugar de esperar a que la aumentación la aprenda. La garantía de equivarianza exacta también simplifica la validación: no hace falta pasar el modelo por una malla de orientaciones para comprobar que la respuesta no se desvía.

Los límites también se desprenden del abstract. Los resultados se han obtenido en una sola familia de problemas, la dinámica tridimensional de Navier-Stokes. La tesis sobre los modelos compactos especializados en PDE solo está confirmada, por ahora, en ese caso. Con la descripción disponible no se puede saber cómo se comportará la arquitectura con condiciones de contorno, medios anisótropos u otras ecuaciones. Donde la propia física rompe la simetría rotacional (por ejemplo, por la gravedad o por las paredes), la equivarianza SO(3) pura requerirá ajustes.

La dirección general está clara. En surrogates científicos, un modelo pequeño y especializado con la simetría adecuada puede sustituir a uno universal y pesado sin perder calidad.