Голоморфные нейросети с сингулярными функциями опередили все методы в тестах Лапласа

Нейросетевые решатели уравнений в частных производных регулярно спотыкаются об одно и то же: углы, рёбра и стыки материалов. Именно там решение уравнения Лапласа перестаёт быть гладким, а сеть с гладкими активациями аппроксимирует его плохо. Новая работа на arXiv (cs.LG, 2610.12541) предлагает обогащённые голоморфные нейросети. По заявлению авторов, модель оказалась самой точной среди протестированных методов на каждой задаче. На тестах, где обогащение точно описывает сингулярность, отрыв составил несколько порядков. На модели радиационного детектора CdZnTe с множеством сингулярных точек, в 2D и в 3D, преимущество над следующим по качеству методом составило примерно 1,7–2,1 раза.

Как устроена модель

Идея держится на двух компонентах. Первый — голоморфная нейросеть. Голоморфные функции в плоскости автоматически гармоничны, то есть удовлетворяют уравнению Лапласа. Поэтому в функцию потерь не нужно добавлять невязку внутри области, как это делается в классических physics-informed подходах. Сети хватает граничных данных.

Второй компонент — сингулярные функции, которые строятся из локальной геометрии и граничных условий. Они берут на себя «острую» часть решения вблизи особенностей. Гладкий остаток аппроксимирует сама сеть. Разделение труда простое: известную аналитику закладывают явно, а нейросеть учит только то, что не удалось выписать руками.

Отдельно важно, что показатели сингулярности сделаны обучаемыми. Если разложение вблизи особой точки заранее неизвестно, например на сложном стыке материалов, модель подбирает экспоненты из данных. Без этого метод работал бы только на задачах с готовой аналитической теорией.

Переход в 3D

Голоморфность — свойство комплексной плоскости, поэтому для трёхмерного случая авторам понадобился обходной путь. Они используют независимые сети, которые вычисляются вдоль комплексных нулевых направлений. Подробности реализации в аннотации не раскрыты, но принцип понятен: гармоничность сохраняется и в 3D, а внутренняя невязка по-прежнему не требуется.

Что показано в аннотации:

• модель гармонична по построению, внутренний residual не нужен;
• гладкая часть учится только по граничным данным;
• показатели сингулярности обучаются, заранее знать разложение необязательно;
• 2D и 3D покрыты одним подходом;
• лучший результат на всех протестированных задачах;
• отрыв в несколько порядков там, где обогащение описывает сингулярность точно;
• выигрыш в 1,7–2,1 раза на детекторе CdZnTe в обеих размерностях.

Где это пригодится

Цифра 1,7–2,1 раза выглядит скромнее «нескольких порядков», но она честнее отражает практику. В детекторе CdZnTe много сингулярных точек, и обогащение не всегда может описать их все точно. Выигрыш сохраняется и в этом случае. Для инженерных расчётов электрических полей это значимо: ошибка в углах электродов и на границах материалов влияет на моделирование отклика детектора.

Практический вывод для исследователей scientific ML такой: если в задаче есть геометрические особенности, выгоднее встроить известную математику в архитектуру, чем надеяться, что сеть выучит всё сама. Для команд, которые считают поля в сенсорах, микроэлектронике и электростатике, метод стоит проверить на своих геометриях. Прежде чем переносить его на производство, нужно дождаться публикации кода и независимых воспроизведений. Пока это препринт без рецензирования, а сравнение с другими методами и их список в аннотации не приведены. Ограничение тоже очевидно: подход заточен под уравнение Лапласа и родственные гармонические задачи, и перенос на более сложные уравнения потребует отдельной работы.