Neural Operators

Nöral operatörler, sabit uzunluktaki vektörler yerine tüm fonksiyonlar veya alanlar arasındaki eşlemeleri öğrenen nöral ağlardır. Örneğin, rüzgar basıncı alanını gelecekteki bir hava akışı alanına veya bir malzeme geometrisini onun gerilme dağılımına eşleyebilirler. Bu, onları kısmi diferansiyel denklemler (PDE'ler) tarafından yönetilen simülasyonlar için hızlı vekil modeller olarak özellikle yararlı kılar. 2024 Nature Reviews Physics genel bakışı, bunların bilimsel simülasyonu, tahminlemeyi ve mühendislik tasarımını hızlandırmadaki artan rolünü vurgulamaktadır. (nature.com)

Link to this sectionNöral Operatörler Nasıl Çalışır?#

Geleneksel bir ağ, pikselleri sınıf etiketlerine dönüştürmek gibi sonlu boyutlu bir eşlemeyi öğrenir. Bunun yerine bir nöral operatör, yeniden kullanılabilir bir fonksiyon-fonksiyon kuralı öğrenir. Mimariler, öğrenilen parametre sayısını çözünürlükten bağımsız tutarken ızgaralar veya nokta bulutları üzerindeki örneklenmiş alanları kabul edecek şekilde tasarlanmıştır. NeuralOperator girişi, bunun eğitim verilerinden farklı ayrıklaştırmalar üzerindeki tahminleri nasıl desteklediğini açıklamaktadır. (nature.com)

Yaygın mimariler şunlardır:

• Fourier Neural Operator: Applies global convolution in frequency space, typically using the PyTorch fast Fourier transform API. FNOs work particularly well with regularly gridded physical fields.
• DeepONet: Giriş fonksiyonunu kodlayan bir ağ ile çıktıyı istenen koordinatlarda değerlendiren başka bir ağı birleştirir.
• Grafik nöral operatörleri: Grafik nöral ağlarından gelen fikirleri düzensiz ağlara ve karmaşık geometrilere genişletir.
• Operatör transformer'ları: Transformer mimarisini sürekli alanlara ve uzun menzilli fiziksel etkileşimlere uyarlar.

Bu çalıştırılabilir örnek, küçük bir 2D FNO oluşturur ve iki giriş alanını bir çıkış alanına eşler:

import torch
from neuralop.models import FNO

model = FNO(n_modes=(16, 16), hidden_channels=32, in_channels=2, out_channels=1)
inputs = torch.rand(1, 2, 64, 64)  # Two sampled physical fields
prediction = model(inputs)
print(prediction.shape)  # torch.Size([1, 1, 64, 64])

Resmi NeuralOperator PyTorch belgeleri ayrıca veri setleri, kayıp fonksiyonları, eğiticiler ve geometriye duyarlı mimariler sağlar. (neuraloperator.github.io)

Link to this sectionSon Gelişmeler#

Araştırmalar, nöral operatörleri giderek bilimsel temel modeller olarak ele almaktadır. Poseidon PDE temel modeli, 15 alt akış PDE görevi genelinde aktarımı gösterirken, Laplace nöral operatörleri geçici ve periyodik olmayan sistemlerin işlenmesini iyileştirdi. Temmuz 2026'da araştırmacılar, koordinat bilincine sahip hesaplamayı, sabit parametre sayılarını ve ayrıklaştırma yakınsamasını vurgulayan pratik nöral operatör tasarım ilkelerini yayınladı. (proceedings.neurips.cc)

Link to this sectionGerçek Dünya Uygulamaları#

• İklim ölçek indirgeme: Gelişigüzel çözünürlükte iklim ölçek indirgemesi üzerine 2024 tarihli bir JMLR çalışması, kaba iklim simülasyonlarını daha yüksek çözünürlüklü alanlara dönüştürmek için FNO'ları kullandı ve ayrıntılı uydu görüntüsü analizini destekledi. (jmlr.org)
• Hava durumu tahmini: Küresel çoklu ızgara nöral operatörleri, Dünya'nın geometrisine saygı duyarken küresel atmosferik dinamikleri modeller ve geleneksel zaman serisi analizini tamamlar.
• Mühendislik kontrolü: Nöral operatörler, değişen sistem parametreleri için geri bildirim kontrol çözümlerini hızla yaklaştırabilir, duyarlı dijital ikizleri ve endüstriyel otomasyonu destekleyebilir.

Link to this sectionNöral Operatörler Ve Bilgisayarlı Görü#

Nöral operatörler evrilen sürekli alanları modellerken, bilgisayarlı görü modelleri genellikle görüntülerdeki nesneleri veya yapıları tanır. Birlikte çalışabilirler: Ultralytics YOLO26 kamera verilerinden geometri veya fiziksel durumları çıkarabilir, ardından bir nöral operatör akışkanlar mekaniğini, ısı transferini, deformasyonu veya gelecekteki başka bir alanı tahmin edebilir. Görüntü veri setleri, eğitimi ve dağıtımı Ultralytics Platform üzerinden yönetilebilir.

En iyi uygulama; fiziksel alanları normalize etmek, koordinatları ve sınır koşullarını korumak, birden fazla çözünürlükte eğitim yapmak, güvenilir sayısal çözücülerle karşılaştırmak ve hem interpolasyon hem de dağılım dışı davranışı değerlendirmektir. Nöral operatörler simülasyonu hızlandırır ancak güvenlik açısından kritik sistemlerde fiziksel doğrulamanın yerini almamalıdır.