Resumen Técnico: UFO (Operador Libre de Unificación de Dominio)

1. Enunciado del Problema

Los operadores neuronales han surgido como un paradigma poderoso para aprender mapeos entre espacios de funciones, particularmente para aproximar operadores solución de ecuaciones diferenciales parciales (EDP) paramétricas. Sin embargo, las arquitecturas existentes están fundamentalmente restringidas por su realización dentro de un único dominio representacional.

• Redes de Operadores Profundos (DeepONets) operan principalmente en el dominio físico, utilizando redes de rama y tronco. Aunque son flexibles para geometrías irregulares, a menudo sufren de sesgo espectral, luchando por capturar modos de alta frecuencia asociados con soluciones altamente oscilatorias o no suaves.
• Operadores Neuronales de Fourier (FNOs) y métodos espectrales relacionados operan en el dominio espectral. Aunque son eficientes para interacciones globales y modos de alta frecuencia, generalmente dependen de rejillas regulares y representaciones espectrales fijas, limitando su aplicabilidad a dominios heterogéneos y muestreo irregular.

Además, la mayoría de los enfoques existentes exhiben dependencia de la discretización. Los modelos DeepONet a menudo dependen de conjuntos fijos de sensores de entrada, mientras que los FNO requieren representaciones de rejilla de entrada-salida compatibles. Esto restringe su utilidad en escenarios donde las mediciones densas no están disponibles o son costosas, pero se requieren predicciones de alta resolución. Los intentos actuales de abordar estos problemas a menudo involucran aumentos arquitectónicos (por ejemplo, espacios latentes, deformaciones aprendidas) pero aún dependen de reglas de fusión fijas (concatenación, atención) dentro de un mecanismo de realización predefinido, en lugar de repensar fundamentalmente cómo se realizan los operadores a través de dominios.

2. Metodología: El Marco UFO

Los autores introducen UFO (Operador Libre de Unificación de Dominio), un marco de operador neuronal cruzado. A diferencia de métodos anteriores, UFO no unifica las representaciones en un solo dominio. En su lugar, realiza operadores a través de interacciones adaptativas y conjuntamente condicionadas entre representaciones definidas en dominios distintos.

2.1 Fundamento Teórico

UFO se basa en el concepto de Aprendizaje de Operadores Cruzados de Dominio (CDOL). Formalmente, un operador neuronal $G_\alpha$ emplea CDOL si se realiza a través de una interacción no separable y conjuntamente condicionada:
$$G_\alpha(f)(x) = C_\alpha(\Phi_S(x), \Psi_H(f))$$
donde:

• $\Phi_S(x) \in S$ es una representación espacial de la coordenada de consulta $x$ (Dominio de la Solución).
• $\Psi_H(f) \in H$ es una representación global de la función de entrada $f$ (Dominio de Entrada), donde $S \neq H$.
• $C_\alpha$ es un operador de acoplamiento aprendible cuya realización depende conjuntamente de ambas representaciones y no puede reducirse a mapeos independientes.

2.2 Arquitectura

La arquitectura UFO consta de tres módulos estrechamente acoplados:

1. Codificador Espectral (SE):

   • Construye una representación global de la función de entrada en un dominio distinto del espacio físico.
   • Eleva las observaciones de entrada $\{x'_i\}$ a un espacio latente, aplica una transformación espectral (por ejemplo, basada en FFT) y modula los coeficientes utilizando una función de ponderación condicionada por coordenadas $\omega_\theta(x'_i)$.
   • La representación global $\Psi_H(f)$ se obtiene mediante agregación media y mapeo no lineal de las componentes real e imaginaria. Este diseño permite representaciones de entrada agnósticas a la discretización e invariantes a la resolución.

2. Red de Base Espacial (SBN):

   • Construye una representación continua del dominio de solución $\Phi_S(x)$ para coordenadas de consulta arbitrarias $x$.
   • Se implementa como un perceptrón multicapa (MLP) que mapea coordenadas directamente a un espacio de características de alta dimensión.
   • A diferencia de los métodos basados en rejillas, la SBN no depende de convolución o interpolación, permitiendo resoluciones de consulta arbitrarias y ubicaciones irregulares.

3. Operador de Acoplamiento Modulado por Fase Adaptativa:

   • Este es el mecanismo central para la realización cruzada de dominios. Modela interacciones estructuradas entre la representación espectral de entrada $\Psi_H(f) = a + ib$ y la base espacial $\Phi_S(x)$.
   • Un mapeo aprendible $\gamma_\theta$ genera una fase de acoplamiento $\alpha$ basada en la característica conjunta $\eta(\Phi_S(x), \Psi_H(f))$.
   • La salida final se calcula mediante una interacción modulada por fase:
     $$G_\alpha(f)(x) = \langle \Phi_S(x), \cos \alpha \odot a + \sin \alpha \odot b \rangle$$
   • Este mecanismo asegura que la realización del operador sea no separable y se adapte dinámicamente a la interacción entre los espacios de entrada y solución.

3. Contribuciones Clave

1. Mecanismo de Realización Novel: La introducción de UFO, que desplaza el aprendizaje de operadores de la aproximación de un solo dominio a la realización cruzada de dominios mediante acoplamiento adaptativo modulado por fase.
2. Desacoplamiento de la Discretización: La arquitectura permite que las funciones de entrada se observen en resoluciones o ubicaciones diferentes a las utilizadas durante el entrenamiento, mientras que las soluciones pueden consultarse en resoluciones de salida arbitrarias.
3. Evaluación Exhaustiva: El diseño de cuatro benchmarks complementarios para evaluar no solo la precisión punto a punto, sino también la consistencia espectral, la coherencia estructural y la generalización bajo desplazamientos de distribución:
   • StepHeat: Entradas discontinuas para probar el sesgo espectral.
   • $\delta$-Helmholtz: Muestreo irregular y desajuste espectral para probar la consistencia de traducción.
   • 2D Burgers: Dinámicas no lineales para probar la preservación de la estructura bajo extrapolación bidireccional.
   • GRF-Helmholtz: Campos aleatorios estocásticos de alta frecuencia para probar operadores dominados por frecuencia.

4. Resultados Experimentales

El artículo evalúa UFO frente a DeepONet y FNO en los cuatro benchmarks:

• StepHeat (Sesgo Espectral): UFO logra el menor error relativo $L_2$ en 4 de 6 casos de discontinuidad y el mejor error de norma Barron (consistencia espectral) en 3 casos. Captura y propaga con éxito modos de alta frecuencia inducidos por discontinuidades, superando a DeepONet (que sufre sesgo espectral) y FNO (que muestra inestabilidad con entradas discontinuas).
• $\delta$-Helmholtz (Consistencia de Traducción): Bajo extrapolación de desplazamiento global fuerte ($\delta = \pm 30.8$) y muestreo irregular, UFO mantiene la consistencia de traducción y una generalización estable. DeepONet exhibe una distorsión estructural severa, y FNO colapsa bajo desplazamientos grandes.
• 2D Burgers (Estructura No Lineal): UFO preserva las estructuras de conjuntos de nivel no lineales y la geometría de contorno mejor que las líneas base durante la extrapolación fuera de distribución (OOD) bidireccional. Aunque FNO tiene un buen rendimiento en precisión punto a punto dentro de la distribución de entrenamiento, se degrada drásticamente en regímenes OOD con estructuras espurias.
• GRF-Helmholtz (Alta Frecuencia Estocástica): En este régimen dominado por frecuencia, FNO logra los mejores errores (reflejando su sesgo inductivo). Sin embargo, UFO permanece competitivo y supera sustancialmente a DeepONet, particularmente en casos extremos de número de onda ($k=120$), demostrando un mecanismo de realización más equilibrado a través de regímenes heterogéneos.
• Desacoplamiento de la Discretización: Los experimentos muestran que el error de UFO permanece estable a medida que disminuye la resolución de entrada (de $100\times100$ a $55\times55$) y a medida que aumenta la resolución de consulta de salida (hasta $550\times550$). Por el contrario, FNO se deteriora rápidamente con el aumento de la resolución de salida, confirmando su dependencia de la rejilla.
• Estudio de Ablación: Eliminar la modulación de fase adaptativa $\alpha$ (reemplazándola por una lectura separable fija) conduce a una degradación sustancial del rendimiento, confirmando que la interacción conjuntamente condicionada es esencial para el éxito del marco.

5. Significado y Afirmaciones

El artículo afirma que UFO establece la realización cruzada de dominios, modulada por fase, como un marco poderoso para el aprendizaje de operadores neuronales desacoplados de la discretización.

• Más allá de las Restricciones de un Solo Dominio: UFO reformula el aprendizaje de operadores separando la codificación del dominio de entrada, la representación del dominio de solución y el acoplamiento adaptativo. Esto permite que el modelo opere efectivamente a través de regímenes heterogéneos (discontinuos, irregulares, no lineales, estocásticos) sin especializarse en un solo dominio.
• Flexibilidad Práctica: La capacidad de manejar resoluciones de entrada variables y consultar resoluciones de salida arbitrarias aborda una limitación práctica crítica donde las mediciones densas son costosas pero se necesitan predicciones de alta resolución.
• Coherencia Estructural: El marco asegura que las predicciones permanezcan físicamente coherentes y estructuralmente consistentes bajo desplazamientos de distribución, una propiedad a menudo ausente en los enfoques de un solo dominio.

Los autores señalan que esta flexibilidad no es "gratuita"; si el operador objetivo depende en gran medida de características de entrada localizadas, las observaciones excesivamente dispersas aún degradarán la calidad de la predicción. Sin embargo, UFO es flexible en la discretización, lo que significa que no requiere una rejilla fija, siempre que las observaciones de entrada resuelvan las estructuras que determinan la respuesta del operador.

El trabajo posiciona a UFO no meramente como una nueva arquitectura, sino como un cambio conceptual hacia el pensamiento sobre la realización de operadores más allá de las restricciones de dominio, abriendo vías para extensiones multi-dominio, dependientes del tiempo e informadas por la física en sistemas científicos complejos.