🤖 AI

KANO: Kolmogorov-Arnold Neural Operator

Ce papier présente KANO, un opérateur neuronal dual-domaine doté d'interprétabilité symbolique qui surpasse l'opérateur neuronal de Fourier (FNO) en surmontant ses limitations spectrales pour traiter des équations aux dérivées partielles à coefficients variables et en reconstruisant avec une précision inégalée des hamiltoniens quantiques sous forme symbolique.

Auteurs originaux : Jin Lee, Ziming Liu, Xinling Yu, Yixuan Wang, Haewon Jeong, Murphy Yuezhen Niu, Zheng Zhang

Publié 2026-02-26

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Jin Lee, Ziming Liu, Xinling Yu, Yixuan Wang, Haewon Jeong, Murphy Yuezhen Niu, Zheng Zhang

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🌟 KANO : Le "Super-Héros" qui comprend la physique comme un humain

Imaginez que vous essayez d'enseigner à un ordinateur comment prédire le comportement de la nature : comment l'eau coule dans une rivière, comment l'air tourne autour d'une aile d'avion, ou comment une particule quantique se déplace.

Pour le faire, les scientifiques utilisent des modèles mathématiques appelés opérateurs. C'est comme une "boîte noire" magique qui prend une situation d'entrée (par exemple, la forme d'une rivière) et sort une prédiction (comment l'eau va bouger).

Jusqu'à présent, le champion de ce domaine s'appelait FNO (Fourier Neural Operator). Mais FNO a un gros défaut : il est un peu comme un chef cuisinier qui ne sait cuisiner que des plats à la vapeur. Si vous lui donnez des ingrédients simples, il est génial. Mais si vous lui donnez un plat complexe avec des épices qui changent selon l'endroit où vous êtes dans la casserole (ce qu'on appelle des "coefficients variables"), il panique et fait des erreurs.

C'est là qu'intervient KANO (Kolmogorov–Arnold Neural Operator), le nouveau héros de cette histoire.

🧩 Le Problème : Le "Bottleneck" (Goulot d'étranglement) de FNO

Pour comprendre pourquoi FNO échoue, faisons une analogie avec la musique.

FNO est comme un musicien qui ne joue que sur une seule fréquence (un seul son pur). Il est excellent pour analyser des sons simples et réguliers.
Mais dans la vraie vie (comme dans les équations de la physique), les phénomènes sont souvent chaotiques et changeants. C'est comme si la musique changeait de tonalité à chaque seconde selon l'endroit où vous vous trouvez dans la salle de concert.
Pour FNO, c'est un cauchemar. Pour comprendre ce changement, il doit essayer de "deviner" la musique en écoutant des milliers de notes différentes en même temps. Il devient énorme, lent, et finit par apprendre par cœur les exemples qu'il a vus à l'école, sans pouvoir s'adapter à une nouvelle situation. C'est ce qu'on appelle le goulot d'étranglement spectral.

🚀 La Solution : KANO, le "Bilingue" de la Physique

KANO est différent. Au lieu de n'écouter que la musique (le domaine spectral), il écoute aussi le rythme et la mélodie (le domaine spatial).

Imaginez que FNO est un traducteur qui ne connaît que le français, et qui essaie de traduire un texte en chinois en utilisant uniquement des mots français. Ça ne marche pas bien.
KANO, lui, est un traducteur bilingue. Il sait quand utiliser le français (pour les parties simples et régulières) et quand utiliser le chinois (pour les parties complexes et locales).

L'astuce de KANO : Il utilise une architecture spéciale appelée KAN (Kolmogorov-Arnold Network). Au lieu d'avoir des connexions fixes et rigides comme les réseaux de neurones classiques, KANO a des "tuyaux" flexibles qu'il peut ajuster.
La magie : Ces tuyaux peuvent être dessinés et compris par des humains. KANO ne se contente pas de donner une réponse chiffrée ; il peut écrire la formule mathématique exacte de la loi physique qu'il a découverte. C'est comme si, au lieu de vous donner juste la température de demain, il vous donnait l'équation exacte qui explique pourquoi il va pleuvoir.

🏆 Les Résultats : Pourquoi KANO est un monstre

Les auteurs ont testé KANO contre FNO sur deux défis majeurs :

La précision : Sur des problèmes complexes où les coefficients changent (comme la viscosité de l'eau qui change selon l'endroit), FNO échouait lamentablement. KANO, lui, a réussi à prédire le résultat avec une précision incroyable (jusqu'à la 4ème décimale !).
La taille : KANO est énormément plus petit. Il utilise moins de 0,03 % des paramètres de FNO. C'est comme si FNO était un camion de 20 tonnes et que KANO était une moto agile qui arrive au même endroit, mais beaucoup plus vite et avec moins de carburant.
L'interprétabilité : C'est le plus beau. KANO a réussi à "retrouver" les formules mathématiques cachées derrière les données. Dans un test de physique quantique, il a pu écrire la formule exacte de l'énergie d'un système, alors que FNO ne donnait qu'une approximation floue.

💡 En Résumé

FNO est un excellent outil pour des problèmes simples et réguliers, mais il perd ses moyens face à la complexité changeante de la nature.
KANO est le nouveau venu qui comprend la nature dans toutes ses nuances. Il est plus petit, plus précis, et surtout, il est transparent. Il ne vous dit pas juste "la réponse est 42", il vous dit "la réponse est 42, et voici la formule magique qui l'explique".

C'est un pas de géant vers une Intelligence Artificielle Scientifique qui ne se contente pas de prédire, mais qui comprend et explique les lois de l'univers.

1. Problématique : Le Goulot d'Étranglement Spectral Pur

Le domaine de l'apprentissage d'opérateurs vise à approximer des mappings entre espaces fonctionnels infinis, souvent pour résoudre des équations aux dérivées partielles (EDP). L'approche dominante, le Fourier Neural Operator (FNO), encode les fonctions via une transformée de Fourier tronquée et apprend des multiplicateurs spectraux diagonaux.

Cependant, les auteurs identifient un goulot d'étranglement fondamental chez le FNO lorsqu'il s'agit de dynamiques dépendantes de la position (c'est-à-dire des EDP à coefficients variables, comme l'équation de Schrödinger avec un potentiel spatial ou des écoulements fluides avec une viscosité variable).

Le problème mathématique : Dans la base spectrale (Fourier), les opérateurs de multiplication spatiale (ex: $x \cdot a(x)$ ) deviennent des matrices denses de type Toeplitz, tandis que les dérivées restent diagonales.
La limitation du FNO : Le FNO repose sur des noyaux spectraux diagonaux et des non-linéarités ponctuelles. Pour approximer les termes denses (hors-diagonaux) nécessaires aux coefficients variables, le FNO doit compter sur les non-linéarités pour "mélanger" les modes. Or, ce mélange est intrinsèquement lié à la distribution des données d'entraînement.
Conséquence : Le FNO souffre d'une malédiction de la dimensionnalité. Pour atteindre une précision donnée sur des opérateurs spectralement denses, la taille du modèle doit croître de manière super-exponentielle. De plus, le FNO échoue à généraliser hors de la distribution d'entraînement (OOD), car ses "off-diagonaux" appris ne sont pas stables pour de nouvelles entrées.

2. Méthodologie : KANO (Kolmogorov–Arnold Neural Operator)

Pour surmonter ces limites, les auteurs proposent KANO, un opérateur neuronal interprétable qui combine les bases spatiales et spectrales via des réseaux Kolmogorov-Arnold (KAN).

Architecture Clé

KANO ne possède pas de couches larges de "lift-up" et de "projection" (contrairement au FNO standard) pour favoriser la récupération symbolique. Il est composé de couches itératives $L_{KANO}$ définies par :
$L_{KANO}(a)(x) = \Phi_{\theta_1}\left( \mathcal{O}_{p_m} [p_{\theta_2}(x, \xi) * F_m(a)(\xi)](x), a(x) \right)$

Opérateur Pseudo-Différentiel ( $\mathcal{O}_{p_m}$ ) : Au lieu d'une multiplication spectrale diagonale, KANO utilise un symbole pseudo-différentiel $p(x, \xi)$ paramétré par un réseau KAN. Ce symbole dépend à la fois de la position spatiale $x$ et de la fréquence $\xi$ .
Quantification de Kohn-Nirenberg : Le calcul de l'opérateur est réalisé via une quantification de Kohn-Nirenberg, qui effectue une convolution dans le domaine spectral (équivalente à une multiplication dans l'espace). Cela permet de capturer les interactions denses là où elles sont nécessaires.
Interprétabilité Symbolique : Les fonctions univariées sur les arêtes des réseaux KAN ( $\Phi$ et $p$ ) sont entraînables et peuvent être visualisées. Cela permet d'extraire des formules symboliques fermées (closed-form) des opérateurs appris.

Expressivité Dual-Domaine

La force de KANO réside dans sa capacité à représenter chaque terme de l'opérateur dans la base où il est creux (sparse) :

Les termes différentiels sont traités spectralement (diagonaux).
Les termes de multiplication spatiale (coefficients variables) sont traités spatialement (creux dans l'espace, denses en Fourier).
En apprenant conjointement dans les deux domaines, KANO évite la densité inutile et atteint une efficacité paramétrique optimale.

3. Contributions Théoriques et Techniques

Preuve du Goulot Spectral du FNO : Les auteurs démontrent théoriquement que pour tout opérateur dépendant de la position, le FNO nécessite une taille de modèle super-exponentielle pour converger, et que ses performances hors-distribution sont fragiles car les couplages spectraux dépendent de la distribution d'entrée.
Analyse de l'Expressivité de KANO : Ils prouvent que KANO peut approximer des dynamiques génériques dépendantes de la position avec une complexité de modèle polynomiale par rapport à la précision souhaitée, à condition que le symbole appris soit lisse.
Récupération Symbolique : KANO est le premier opérateur neuronal à démontrer une récupération symbolique précise (jusqu'à la quatrième décimale) des opérateurs appris, transformant l'apprentissage d'opérateurs d'une boîte noire en un modèle scientifique interprétable.

4. Résultats Expérimentaux

Les auteurs ont évalué KANO sur deux types de benchmarks : des opérateurs synthétiques et un benchmark de dynamique quantique.

A. Benchmarks d'Opérateurs Synthétiques

Trois opérateurs dépendants de la position ( $G_1, G_2, G_3$ ) ont été testés avec des données d'entraînement (Groupe A) et de test (Groupe B, distributions disjointes).

Généralisation : KANO maintient une erreur relative $\ell_2$ faible et constante entre les groupes A et B. À l'inverse, le FNO et ses variantes (U-FNO, AM-FNO) voient leur erreur exploser sur le Groupe B (jusqu'à 15x plus d'erreur).
Efficacité : KANO utilise 0,03 % des paramètres du FNO (152 paramètres contre 566k) tout en obtenant une perte relative 10 fois plus faible.
Précision Symbolique : Après entraînement, KANO a récupéré les formules exactes des opérateurs avec une précision de $10^{-4}$ sur les coefficients.

B. Benchmark de Dynamique Quantique (Apprentissage de Hamiltoniens)

L'objectif était d'apprendre l'évolution temporelle de systèmes quantiques (Hamiltonien à double puits quartique et équation de Schrödinger non linéaire) à partir de données de mesure projective (probabilités de position/impulsion).

Fidélité de l'État : KANO a atteint une infidélité de l'état d'environ $6 \times 10^{-6}$ , surpassant le FNO entraîné sur des données de fonctions d'onde complètes (idéales mais physiquement inaccessibles) qui avait une infidélité de $1.5 \times 10^{-2}$ (soit 4 ordres de grandeur de mieux).
Robustesse aux Données Partielles : Même entraîné uniquement sur des données de position (moins informatives), KANO a maintenu une haute précision, là où le FNO échouait.
Reconstruction Physique : KANO a reconstruit le Hamiltonien de vérité terrain sous forme symbolique, retrouvant les termes de potentiel et les coefficients non linéaires avec une grande précision, même avec des données bruitées ou partielles.

5. Signification et Impact

Ce travail marque un changement de paradigme dans l'apprentissage d'opérateurs :

De l'Approximation Universelle à la Généralisation Universelle : Alors que le FNO prouve qu'il peut approximer n'importe quel opérateur (théorème d'approximation universelle), KANO démontre la capacité à généraliser robustement sur des dynamiques complexes hors de la distribution d'entraînement.
Interprétabilité Scientifique : En intégrant les KAN, KANO ne se contente pas de prédire ; il découvre les lois physiques sous-jacentes sous forme de formules mathématiques lisibles. Cela comble le fossé entre l'IA data-driven et la modélisation scientifique traditionnelle.
Efficacité : La démonstration qu'un modèle avec moins de 0,03 % des paramètres peut surpasser massivement les modèles massifs sur des tâches complexes remet en question la nécessité de la sur-paramétrisation pour les opérateurs à coefficients variables.

En résumé, KANO résout le problème de la généralisation des réseaux d'opérateurs sur les EDP à coefficients variables en exploitant intelligemment les bases spatiales et spectrales, tout en offrant une interprétabilité symbolique inédite, validée par des résultats empiriques supérieurs de plusieurs ordres de grandeur.