Neural Operators

Nöral operatörler, sabit uzunluktaki vektörler yerine tüm işlevler veya alanlar arasındaki eşlemeleri öğrenen sinir ağlarıdır. Örneğin, bir rüzgâr-basınç alanını gelecekteki hava akışı alanına veya bir malzeme geometrisini gerilme dağılımına eşleyebilirler. Bu özellik, onları kısmi diferansiyel denklemler (PDE'ler) tarafından yönetilen simülasyonlar için hızlı vekil modeller olarak özellikle kullanışlı kılar. 2024 tarihli Nature Reviews Physics genel bakışı, bilimsel simülasyonları, tahminleri ve mühendislik tasarımını hızlandırmada giderek artan rollerini vurgulamaktadır. (nature.com)

Nöral Operatörler Nasıl Çalışır?#

Geleneksel bir ağ, piksellerden sınıf etiketlerine eşleme gibi sonlu boyutlu bir eşleme öğrenir. Bunun yerine nöral operatör, yeniden kullanılabilir bir işlevden işleve kuralı öğrenir. Mimariler, öğrenilen parametre sayısını çözünürlükten bağımsız tutarken ızgaralar veya nokta bulutları üzerindeki örneklenmiş alanları kabul edecek şekilde tasarlanır. NeuralOperator tanıtımı, bunun eğitim verilerinden farklı ayrıklaştırmalar üzerindeki tahminleri nasıl desteklediğini açıklar. (nature.com)

Yaygın mimariler şunlardır:

• Fourier Nöral Operatörü: Frekans uzayında genellikle PyTorch hızlı Fourier dönüşümü API'sini kullanarak küresel konvolüsyon uygular. FNO'lar, düzenli ızgaralara sahip fiziksel alanlarda özellikle iyi çalışır.
• DeepONet: Girdi işlevini kodlayan bir ağ ile çıktıyı istenen koordinatlarda değerlendiren başka bir ağı birleştirir.
• Graf nöral operatörleri: Graf sinir ağlarından alınan 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 2B FNO oluşturur ve iki girdi alanını tek bir çıktı 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])

Resmî NeuralOperator PyTorch belgeleri ayrıca veri kümeleri, kayıplar, eğiticiler ve geometri farkındalığına sahip mimariler sunar. (neuraloperator.github.io)

Güncel Gelişmeler#

Araştırmalar, nöral operatörleri giderek daha fazla bilimsel temel modeller olarak ele alıyor. Poseidon PDE temel modeli, 15 alt düzey PDE görevi arasında aktarım gerçekleştirdi; Laplace nöral operatörleri ise geçici ve periyodik olmayan sistemleri ele alma becerisini geliştirdi. Temmuz 2026'da araştırmacılar, koordinat farkındalığına sahip hesaplamayı, sabit parametre sayılarını ve ayrıklaştırma yakınsamasını vurgulayan uygulamalı nöral operatör tasarım ilkelerini yayımladı. (proceedings.neurips.cc)

Gerçek Dünya Uygulamaları#

• İklim alt ölçeklendirmesi: Keyfi çözünürlükte iklim alt ölçeklendirmesi 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 tahmini: Küresel çok ızgaralı nöral operatörler, Dünya'nın geometrisine uyarak küresel atmosferik dinamikleri modeller ve geleneksel zaman serisi analizini tamamlar.
• Mühendislik kontrolü: Nöral operatörler, değişen sistem parametreleri için geri beslemeli kontrol çözümlerini hızla yaklaşık olarak hesaplayarak duyarlı dijital ikizleri ve endüstriyel otomasyonu destekleyebilir.

Nöral Operatörler ve Bilgisayarlı Görü#

Nöral operatörler gelişen sürekli alanları modellerken bilgisayarlı görü modelleri genellikle görüntülerdeki nesneleri veya yapıları tanır. Birlikte çalışabilirler: Ultralytics YOLO26 kamera verilerinden geometriyi veya fiziksel durumları çıkarabilir; ardından bir nöral operatör akışkan akışını, ısı transferini, deformasyonu veya gelecekteki başka bir alanı tahmin edebilir. Görüntü veri kümeleri, eğitim ve dağıtım Ultralytics Platform üzerinden yönetilebilir.

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