IKNO para Navier-Stokes é preciso sob rotações e tem 5,6 vezes menos parâmetros que a TFN

Um surrogate neural para equações diferenciais parciais pode se ajustar bem aos dados de treino e, mesmo assim, dar respostas diferentes para o mesmo estado físico se o sistema de coordenadas for girado. Um novo trabalho no arXiv propõe uma arquitetura que, por construção, não tem esse problema. O Invariant-Conditioned Isotropic Kernel Neural Operator, ou IKNO, prevê a dinâmica tridimensional de Navier-Stokes em pontos distribuídos de forma irregular. A consistência sob rotações se mantém até a precisão numérica. Em acurácia, o modelo é comparável à Tensor Field Network, uma rede geral com consciência de rotações, e tem 5,6 vezes menos parâmetros.

Onde os surrogates convencionais falham

O problema é este: há uma nuvem de pontos em 3D, e cada ponto tem uma velocidade registrada. O modelo precisa prever como a velocidade vai mudar no passo seguinte. A física é isotrópica: se as posições e as velocidades forem giradas, a variação de velocidade também tem de girar do mesmo modo. Isso é a equivariância em relação ao grupo SO(3).

Uma rede em grafos convencional não sabe disso. Ela enxerga as coordenadas e as componentes dos vetores como um conjunto de números e pode aprender a depender de uma orientação específica. Os autores testaram o remédio padrão, o treinamento com exemplos girados aleatoriamente. Ele reduz a dependência do sistema de coordenadas, mas não a elimina por completo. Um erro residual permanece mesmo com aumentação de dados.

Como o IKNO funciona

A ideia é separar os papéis. O modelo constrói as interações locais entre pontos vizinhos a partir de dois tipos de grandezas:

• escalares que não mudam com a rotação (por exemplo, distâncias e produtos escalares);
• direções vetoriais que giram junto com os dados.

Os escalares determinam a intensidade da interação, e os vetores definem para onde ela aponta. O kernel é isotrópico, de modo que a saída gira junto com a entrada por construção. Essa propriedade está embutida na arquitetura e não é aprendida a partir dos dados.

Como o modelo é especializado em PDEs vetoriais, ele dispensa o aparato pesado das redes equivariantes gerais. A Tensor Field Network, que trabalha com representações tensoriais do grupo de rotações, serve a um amplo leque de tarefas, mas paga por isso em tamanho.

O que as medições mostraram

A avaliação foi feita em um conjunto de validação separado, fixado depois que o design do modelo foi concluído. Isso reduz o risco de ajustar a arquitetura ao teste.

• Consistência sob rotações no IKNO: até a precisão numérica.
• Modelos em grafos sem restrição de simetria, treinados com aumentação por rotações: a dependência diminui, mas permanece.
• Precisão da previsão: no nível da Tensor Field Network.
• Tamanho: 5,6 vezes menos parâmetros que a TFN.
• Contra um simulador em grafos com o mesmo número de parâmetros: o IKNO leva vantagem.

O último ponto é importante para uma comparação justa. O ganho não vem do tamanho do modelo, mas da simetria embutida.

Onde isso é útil e quais são os limites

Para quem constrói surrogates em CFD, meteorologia, simulação de partículas ou robótica, a conclusão é prática. Se o problema tem uma simetria conhecida, vale mais a pena incorporá-la à arquitetura do que esperar que a aumentação de dados a faça o modelo aprender. A garantia de equivariância exata também simplifica a validação: não é preciso rodar o modelo em uma grade de orientações para verificar que a resposta não oscila.

Os limites também aparecem no abstract. Os resultados vêm de uma única família de problemas, a dinâmica tridimensional de Navier-Stokes. A tese sobre modelos compactos especializados em PDEs, por ora, está confirmada nessa família. Não dá para saber, pela descrição, como a arquitetura se comporta com condições de contorno, meios anisotrópicos ou outras equações. Onde a própria física quebra a simetria rotacional (por exemplo, por causa da gravidade ou de paredes), a equivariância SO(3) pura exigirá ajustes.

A direção geral é clara. Em surrogates científicos, um modelo pequeno e especializado, com a simetria correta, pode substituir um modelo universal e pesado sem perda de qualidade.