🤖 machine learning

Topology-Preserving Neural Operator Learning via Hodge Decomposition

मूल लेखक: Dongzhe Zheng, Tao Zhong, Christine Allen-Blanchette

प्रकाशित 2026-05-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Dongzhe Zheng, Tao Zhong, Christine Allen-Blanchette

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

द बिग पिक्चर: AI को आकार और प्रवाह (Shape and Flow) समझना सिखाना

कल्पना कीजिए कि आप एक कंप्यूटर को यह सिखाने की कोशिश कर रहे हैं कि एक कार के ऊपर से पानी कैसे बहता है, या एक जटिल वस्तु के चारों ओर चुंबकीय क्षेत्र (magnetic fields) कैसे घूमते हैं, या एक मुड़ी हुई धातु की पाइप के माध्यम से गर्मी कैसे फैलती है। ये केवल सपाट, ग्रिड-आधारित समस्याएँ नहीं हैं (जैसे स्क्रीन पर पिक्सेल); ये घुमावदार, मुड़ी हुई और गांठदार सतहों पर होती हैं जिन्हें मैनिफोल्ड (manifolds) कहा जाता है।

समस्या यह है कि मानक AI मॉडल उन छात्रों की तरह हैं जो केवल एक सपाट मानचित्र पढ़ना जानते हैं। जब आप उन्हें एक 3D, घुमावदार वस्तु देते हैं, तो वे भ्रमित हो जाते हैं। वे महत्वपूर्ण विवरणों को सुचारू (smooth out) कर सकते हैं (जैसे पानी का एक तीखा मोड़) या "बड़ी तस्वीर" के नियमों को भूल सकते हैं (जैसे यह तथ्य कि पानी अचानक गायब नहीं हो सकता या प्रकट नहीं हो सकता)।

यह शोध पत्र एक नया AI आर्किटेक्चर पेश करता है जिसे हॉज स्पेक्ट्रल डुअलिटी (Hodge Spectral Duality - HSD) कहा जाता है। इसे एक दो-सदस्यीय टीम के रूप में समझें जिसे इन जटिल भौतिक पहेलियों को पूरी तरह से हल करने के लिए डिज़ाइन किया गया है।

मुख्य समस्या: आकार और नियमों के बीच का "तनाव"

लेखक बताते हैं कि भौतिक क्षेत्र (जैसे हवा या बिजली) दो परस्पर विरोधी बलों के बीच फंसे होते हैं:

वैश्विक नियम (Topology): ये आकार के अपरिवर्तनीय नियम हैं। उदाहरण के लिए, यदि आपके पास डोनट के आकार की कोई वस्तु है, तो छेद के चारों ओर बहने वाला पानी को छेद के चारों ओर घूमना ही होगा। वह बस रुक नहीं सकता। ये आकार की "अपरिवर्तनीय विशेषताओं" (invariants) या स्थायी विशेषताओं को दर्शाते हैं।
स्थानीय अराजकता (Geometry): ये अव्यवस्थित, तेजी से बदलने वाले विवरण हैं। अभी हवा कहाँ घूम रही है? क्या किसी तीखे किनारे के पास एक छोटा सा भंवर है? ये सतह की विशिष्ट बनावट के आधार पर तेजी से बदलते हैं।

पुराने AI मॉडल सब कुछ एक साथ सीखने की कोशिश करते थे, और अक्सर "स्थानीय अराजकता" को देखने में इतने व्यस्त हो जाते थे कि वे "वैश्विक नियमों" को गलत कर देते थे।

समाधान: "दो-सदस्यीय टीम" (HSD)

HSD फ्रेमवर्क काम को दो विशिष्ट भूमिकाओं में विभाजित करता है, जो एक कंडक्टर (conductor) और एक सोलोइस्ट (soloist) की तरह मिलकर काम करते हैं।

1. "बेस" ब्रांच: टोपोलॉजी का संरक्षक (The Topology Guardian)

यह क्या करता है: यह AI वाला हिस्सा पूरी तरह से वैश्विक नियमों पर ध्यान केंद्रित करता है। यह आकार के "कंकाल" (skeleton) को देखता है।
उपमा: एक ऑर्केस्ट्रा का नेतृत्व करने वाले कंडक्टर (Conductor) की कल्पना करें। कंडक्टर को इस बात से फर्क नहीं पड़ता कि एक वायलिन वादक अभी कौन सा नोट बजा रहा है; उन्हें संगीत की समग्र संरचना की परवाह होती है। वे सुनिश्चित करते हैं कि संगीत सही सुर में रहे और सही लय का पालन करे।
यह कैसे काम करता है: यह डेटा के "हारमोनिक" हिस्सों को अलग करने के लिए हॉज डिकंपोजिशन (Hodge Decomposition) नामक गणितीय उपकरण का उपयोग करता है। ये वे हिस्से हैं जो आकार के स्थायी लूप और छेदों का प्रतिनिधित्व करते हैं। AI को इन हिस्सों को बिल्कुल वैसा ही बनाए रखने के लिए मजबूर किया जाता है, जिससे यह सुनिश्चित होता है कि यह भौतिकी के मौलिक नियमों (जैसे ऊर्जा या प्रवाह का संरक्षण) को कभी नहीं तोड़ता है।

2. "फाइबर" ब्रांच: ज्योमेट्री विशेषज्ञ (The Geometry Specialist)

यह क्या करता है: यह हिस्सा स्थानीय विवरणों पर ध्यान केंद्रित करता है। यह तेज, अव्यवस्थित, उच्च-आवृत्ति वाले परिवर्तनों को संभालता है।
उपमा: एक तेज़, जटिल धुन बजाने वाले सोलोइस्ट (Soloist) की कल्पना करें। वे स्वतंत्र रूप से सुधार (improvise) करने और तीव्र परिवर्तनों को संभालने के लिए स्वतंत्र हैं, लेकिन उन्हें कंडक्टर द्वारा स्थापित सुर के भीतर ही रहना होगा।
यह कैसे काम करता है: यह अव्यवस्थित, स्थानीय डेटा को लेता है और उसे एक सरल, सपाट ग्रिड (जैसे एक मानक कंप्यूटर स्क्रीन) पर प्रोजेक्ट करता है जहाँ यह विवरणों को सीखने के लिए तेज़, मानक AI युक्तियों का उपयोग कर सकता है। महत्वपूर्ण बात यह है कि यह गणितीय रूप से "लॉक" है ताकि यह जो कुछ भी सीखता है, वह गलती से उन वैश्विक नियमों को खराब न कर दे जिन्हें कंडक्टर द्वारा संभाला जा रहा है।

गुप्त मंत्र: "हॉज ऑर्थोगोनैलिटी" (Hodge Orthogonality)

शोध पत्र का दावा है कि एक विशिष्ट गणितीय पृथक्करण (Hodge Orthogonality) का उपयोग करके, ये दोनों शाखाएं एक-दूसरे से लड़ती नहीं हैं। वे एक इमारत के अलग-अलग मंजिलों पर काम करने वाले दो लोगों की तरह हैं जो कभी एक-दूसरे के रास्ते में नहीं आते।

कंडक्टर (Base) कम-आवृत्ति वाले, धीमी गति से चलने वाले, आकार-निर्धारित हिस्सों को संभालता है।
सोलोइस्ट (Fiber) उच्च-आवृत्ति वाले, तेज़ गति से चलने वाले, विवरण-उन्मुख हिस्सों को संभालता है।

चूंकि वे गणितीय रूप से अलग हैं, इसलिए AI बड़े नियमों को भूले बिना जटिल विवरणों को सीख सकता है।

यह क्यों मायने रखता है (शोध पत्र के अनुसार)

लेखकों ने तीन कठिन परिदृश्यों पर इसका परीक्षण किया:

कार के ऊपर वायु प्रवाह (Airflow over a car): एक जटिल, ऊबड़-खाबड़ कार के आकार के ऊपर हवा कैसे चलती है, इसकी भविष्यवाणी करना।
चुंबकीय क्षेत्र (Magnetic fields): छिद्रों वाली वस्तुओं (जैसे डोनट) के चारों ओर चुंबक कैसे व्यवहार करते हैं, इसकी भविष्यवाणी करना।
टोरस (डोनट) पर प्रवाह (Flow on a torus): एक रिंग के आकार के चारों ओर किसी पदार्थ के घूमने का अनुकरण करना।

परिणाम:

सटीकता (Accuracy): HSD मॉडल मौजूदा शीर्ष AI मॉडलों (जैसे FNO, DeepONet, और GNO) की तुलना में अधिक सटीक था।
भौतिकी (Physics): इसने केवल नंबरों का अनुमान नहीं लगाया; इसने वास्तव में भौतिकी के नियमों का सम्मान किया। उदाहरण के लिए, इसने गलती से चुंबकीय फ्लक्स (magnetic flux) को बनाया या नष्ट नहीं किया।
दक्षता (Efficiency): यह आश्चर्यजनक रूप से तेज़ था। हालांकि यह जटिल गणित करता है, लेकिन यह समस्या को इतनी कुशलता से विभाजित करता है कि यह उन अन्य तरीकों की तुलना में बहुत तेज़ी से प्रशिक्षित होता है जो एक साथ सब कुछ करने की कोशिश करते हैं।

एक वाक्य में सारांश

यह शोध पत्र AI को जटिल 3D आकारों पर भौतिकी की समस्याओं को हल करने के लिए सिखाता है: काम को दो भागों में विभाजित करके—एक भाग जो सख्ती से आकार के अपरिवर्तनीय "नियमों" की रक्षा करता है, और दूसरा भाग जो तेज़, अव्यवस्थित विवरणों को सीखता है, जिससे यह सुनिश्चित होता है कि AI भौतिकी के नियमों को तोड़ने वाली कोई गलती न करे।

तकनीकी सारांश: हॉज डीकंपोज़िशन के माध्यम से टोपोलॉजी-संरक्षण न्यूरल ऑपरेटर लर्निंग

1. समस्या विवरण (Problem Statement)

यह शोध पत्र सामान्य रिमानियन मैनिफोल्ड्स (Riemannian manifolds) और सीमाओं वाले डोमेन पर भौतिक क्षेत्र समीकरणों (physical field equations) के समाधान ऑपरेटरों को सीखने की चुनौती को संबोधित करता है। जबकि न्यूरल ऑपरेटर्स (जैसे FNO, DeepONet) ने नियमित ग्रिड और स्पेक्ट्रल ट्रांसफॉर्म का उपयोग करके यूक्लिडियन डोमेन में सफलता प्राप्त की है, वे जटिल मैनिफोल्ड्स (जैसे वाहन की सतहें, गोलाकार ज्यामिति, अंगों के आकार) पर संघर्ष करते हैं।

मुख्य कठिनाई दो अलग-अलग संरचनात्मक बाधाओं के बीच का तनाव है:

टोपोलॉजिकल बाधाएं (Topological Constraints): मैनिफोल्ड की कोहोमोलॉजी (cohomology) द्वारा एनकोडेड वैश्विक अपरिवर्तनीय (global invariants) (जैसे परिसंचरण/circulation, शुद्ध फ्लक्स/net flux)। ये हॉज लैपलेसियन (Hodge Laplacian) के कर्नेल द्वारा शासित होते हैं और इन्हें सटीक रूप से संरक्षित किया जाना चाहिए।
ज्यामितीय/सामग्री संबंधी बाधाएं (Geometric/Material Constraints): स्थानीय उच्च-आवृत्ति गतिकी (high-frequency dynamics), एनिसोट्रोपिक डिफ्यूजन (anisotropic diffusion), और रिमानियन मेट्रिक एवं सामग्री टेंसर द्वारा नियंत्रित सीमा परतें (boundary layers)।

मौजूदा दृष्टिकोण इन दोनों बाधाओं को एक साथ संतुष्ट करने में विफल रहते हैं: अंतर्निहित ज्यामितीय विधियां (जैसे जियोडेसिक कनवल्शन) अत्यधिक ओवरहेड उत्पन्न करती हैं और उच्च आवृत्तियों के साथ संघर्ष करती हैं; बाह्य स्पेक्ट्रल विधियां कोहोमोलॉजिकल संरचना को अनदेखा करती हैं; और ग्राफ-आधारित विधियां ओवर-स्मूथिंग से ग्रस्त होती हैं और उनमें स्पष्ट विभेदक कॉम्प्लेक्स (differential complexes) का अभाव होता है।

2. कार्यप्रणाली: हॉज स्पेक्ट्रल डुअलिटी (HSD)

लेखक हॉज स्पेक्ट्रल डुअलिटी (HSD) ढांचे का प्रस्ताव करते हैं, जो एक हाइब्रिड युलरियन-लैग्रेंजियन आर्किटेक्चर है जो हॉज थ्योरी और ली-ट्रोटर ऑपरेटर स्प्लिटिंग (Lie-Trotter operator splitting) का उपयोग करके ऑपरेटर लर्निंग समस्या को विभाजित करता है।

2.1 सैद्धांतिक आधार (Theoretical Foundation)

यह विधि भौतिक क्षेत्रों को एक सिम्पलीशियल कॉम्प्लेक्स (simplicial complex) पर डिस्क्रीट डिफरेंशियल फॉर्म्स (0-फॉर्म नोड्स पर, 1-फॉर्म किनारों पर, 2-फॉर्म फलकों पर) के रूप में मानती है। यह हॉज डीकंपोज़िशन (Hodge Decomposition) का लाभ उठाती है, जो किसी भी $k$ -फॉर्म $\omega_k$ को ऑर्थोगोनल रूप से विभाजित करता है:

ग्रेडिएंट-टाइप (Exact): $im(d_{k-1})$
कर्ल-टाइप (Co-exact): $im(\delta_{k+1})$
हारमोनिक-टाइप (Harmonic-type): $ker(\Delta_k)$ , जो वैश्विक टोपोलॉजिकल इनवेरिएंट्स का प्रतिनिधित्व करता है।

लेखक तर्क देते हैं कि हॉज ऑर्थोगोनैलिटी एक एडिटिव एप्रोक्सिमेशन (additive approximation) की अनुमति देती है जहाँ टोपोलॉजिकल डिग्री ऑफ फ्रीडम (जो मानक ग्रेडिएंट डिसेंट के माध्यम से सीखने योग्य नहीं हैं क्योंकि वे वैश्विक प्रकृति के हैं) को ज्यामितीय गतिकी से अलग किया जाता है।

2.2 आर्किटेक्चर (Architecture)

HSD ऑपरेटर $G_\theta$ को दो पूरक शाखाओं में विभाजित किया गया है:
$G_\theta = G_{base, \theta} + G_{fiber, \theta}$

A. बेस स्पेस ब्रांच (Global Topology)

डोमेन: यह एक ट्रंकेटेड हॉज स्पेक्ट्रल डोमेन (निम्नतम हॉज लैपलेसियन के निम्नतम आइगेनमोड्स द्वारा स्पैन किया गया निम्न-आयामी उपस्थान) में कार्य करता है।
कार्य: टोपोलॉजी-प्रधान, लो-फ्रीक्वेंसी रिस्पॉन्स और हारमोनिक फॉर्म्स को कैप्चर करना।
तंत्र:
- डिस्क्रीट फील्ड्स को स्पेक्ट्रल कोएफिशिएंट्स में प्रोजेक्ट करता है।
- विभेदक संरचना को बनाए रखने के लिए प्री-प्रोजेक्टेड डिस्क्रीट एक्सटीरियर डेरिवेटिव ( $d$ ) और को-डिफरेंशियल ( $\delta$ ) मैट्रिसेस का उपयोग करता है।
- नॉनलीनर मोड मिक्सिंग को मॉडल करने के लिए गेटेड MLP का उपयोग करता है।
- हार्ड कंस्ट्रेंट: हर लेयर में अपडेट को मूल हारमोनिक कोएफिशिएंट्स पर प्रोजेक्ट करके हारमोनिक मोड्स (लैपलेसियन का कर्नेल) को स्पष्ट रूप से संरक्षित करता है, जिससे वैश्विक इनवेरिएंट्स (जैसे बेट्टी नंबर्स) का सटीक संरक्षण सुनिश्चित होता है।

B. फाइबर ब्रांच (Local Geometry)

डोमेन: एक सहायक यूक्लिडियन एम्बिएंट स्पेस (एक नियमित वोक्सेल ग्रिड) में कार्य करता है।
कार्य: मेट्रिक-प्रधान, हाई-फ्रीक्वेंसी लोकल डायनेमिक्स (जैसे बाउंड्री लेयर्स, एनिसोट्रोपिक डिफ्यूजन) को कैप्चर करना।
तंत्र:
- लिफ्ट (Lift): व्हिटनी फॉर्म्स (Whitney forms) और कर्नेल डेंसिटी एस्टीमेशन का उपयोग करके डिस्क्रीट फॉर्म्स को एम्बिएंट ग्रिड पर मैप करता है।
- कनवल्शन: स्थानीय सहसंबंधों को कुशलतापूर्वक सीखने के लिए नियमित ग्रिड पर एक मानक फूरियर न्यूरल ऑपरेटर (FNO) लागू करता है।
- पुलबैक (Pullback): परिणाम को वापस सिम्पलीशियल कॉम्प्लेक्स पर मैप करता है।
- ऑर्थोगोनल प्रोजेक्शन: आउटपुट को सख्ती से बेस स्पेस के ऑर्थोगोनल कॉम्प्लीमेंट ( $I - \Pi_{base}$ ) पर प्रोजेक्ट किया जाता है, यह सुनिश्चित करता है कि ज्यामितीय सुधार वैश्विक टोपोलॉजिकल बाधाओं का उल्लंघन न करें।

C. कम्यूटेटर करेक्शन (Commutator Correction)

चूंकि टोपोलॉजिकल और ज्यामितीय ऑपरेटर कम्यूट नहीं करते हैं ( $[A_{Topo}, A_{Geom}] \neq 0$ ), एक हल्का करेक्शन मॉड्यूल $C_\theta$ पेश किया गया है। यह इंटरैक्शन फीचर्स (स्पेक्ट्रल डेरिवेटिव्स और लिफ्टेड ज्यामितीय फील्ड्स को संयोजित करना) लेता है ताकि स्प्लिटिंग रेसिड्यूल का अनुमान लगाया जा सके, जिसे बेस स्पेस को दूषित करने से बचने के लिए फाइबर स्पेस तक सीमित रखा गया है।

3. मुख्य योगदान (Key Contributions)

स्ट्रक्चर-अवेयर फ्रेमवर्क: सिम्पलीशियल कॉम्प्लेक्स पर एक न्यूरल ऑपरेटर फ्रेमवर्क जो डिस्क्रीट एक्सटीरियर कैलकुलस (DEC) को एक बीजगणितीय इंडक्टिव बायस के रूप में शामिल करता है, जिससे भौतिक रूप से सुसंगत लर्निंग सुनिश्चित होती है।
स्पेक्ट्रल-जियोमेट्रिक डुअलिटी: एक द्वैत-शाखा डिजाइन जो टोपोलॉजी-प्रतिबंधित वैश्विक संरचना को ज्यामिति-संचालित स्थानीय गतिकी से स्पष्ट रूप से अलग करता है, जिससे स्थिर और पूरक सन्निकटन संभव होता है।
सटीक टोपोलॉजिकल संरक्षण: हारमोनिक मोड्स पर हार्ड कंस्ट्रेंट्स का उपयोग वैश्विक इनवेरिएंट्स (जैसे परिसंचरण, शुद्ध फ्लक्स) के सटीक संरक्षण को सुनिश्चित करता है।
दक्षता: ऑफलाइन स्पेक्ट्रल डीकंपोजिशन को ऑफलाइन करने और ऑनलाइन लर्निंग के लिए एम्बिएंट FFTs का उपयोग करने से, यह विधि मेष साइज के सापेक्ष लीनियर स्केलिंग के साथ रेजोल्यूशन-स्वतंत्र ऑपरेटर एप्रोक्सिमेशन प्राप्त करती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

इस पद्धति का मूल्यांकन जटिल ज्यामिति और टोपोलॉजी वाले तीन कार्यों पर किया गया:

एक्सटर्नल एरोडायनामिक्स: घुमावदार ऑटोमोटिव मेष (DrivAerərNet++) पर इनकंप्रेसिबल फ्लो रिकंस्ट्रक्शन।
मैग्नेटोस्टैटिक्स: गोलाकार शेल बाधाओं वाले मल्टी-कनेक्टेड डोमेन में चुंबकीय क्षेत्रों के लिए समाधान।
टोरॉइडल ट्रांसपोर्ट: एक टोरस (गैर-शून्य जेनस) पर एडवेक्शन-डिफ्यूजन डायनेमिक्स।

प्रदर्शन हाइलाइट्स:

सटीकता: HSD ने सभी कार्यों में सबसे कम मीन स्क्वेर्ड एरर (MSE) प्राप्त किया, जिसने FNO-3D, DeepONet और MeshGraphNets (MGN) जैसे बेसलाइन्स को पीछे छोड़ दिया। उदाहरण के लिए, एक्सटर्नल एरोडायनामिक्स में, HSD ने FNO-3D की तुलना में MSE को 40% कम कर दिया।
भौतिक सुसंगतता: HSD ने बेहतर एन्स्ट्रॉफी फिडेलिटी (Enstrophy Fidelity) और एनर्जी फिडेलिटी प्रदर्शित की, जो भौतिक संरक्षण नियमों और ऊर्जा वितरण के बेहतर संरक्षण को दर्शाता है।
टोपोलॉजिकल फिडेलिटी: मैग्नेटोस्टैटिक्स कार्य में, HSD ने कनेक्टेड कंपोनेंट्स की संख्या को सही ढंग से संरक्षित किया (लेवल सेट IoU और $\beta_0$ स्कोर), जबकि अन्य मॉडल अक्सर टोपोलॉजिकल फीचर्स को स्मूथ कर देते थे या वैश्विक फ्लक्स घटकों को पकड़ने में विफल रहते थे।
स्पेक्ट्रल बायस: विश्लेषण से पता चला कि HSD प्रभावी रूप से हाई-फ्रीक्वेंसी स्पेक्ट्रल एनर्जी को कैप्चर करता है, जो DeepONet और Geo-FNO में देखे गए "स्पेक्ट्रल बायस" (तेजी से ऊर्जा क्षय) को दूर करता है।
दक्षता: ऑफलाइन प्रीप्रोसेसिंग के बावजूद, HSD का प्रशिक्षण MGN (जैसे एक्सटर्नल एरोडायनामिक्स में 56x तेज़) की तुलना में काफी तेज़ था और यूक्लिडियन FNO-3D के तुलनीय था।

5. महत्व और दावे (Significance and Claims)

पेपर का दावा है कि हॉज ऑर्थोगोनैलिटी स्पेक्ट्रल इंटरफेरेंस को मौलिक रूप से हल करती है क्योंकि यह अनलर्न करने योग्य टोपोलॉजिकल डिग्री ऑफ फ्रीडम को सीखने योग्य ज्यामितीय गतिकी से अलग करती है। यह एक एडिटिव एप्रोक्सिमेशन को सक्षम बनाता है जो स्ट्रक्चर-प्रिजर्विंग सबस्पेस तक सीमित है।

लेखक का तर्क है कि उनका कार्य एक इंट्रिन्सिक हॉज-ऑर्थोगोनल एडिटिव स्ट्रक्चर के लिए अनुभवजन्य प्रमाण प्रदान करता है जो मैनिफोल्ड्स पर ऑपरेटर लर्निंग के अंतर्निहित है। विभेदक कॉम्प्लेक्स $(d, \delta, \Delta_k)$ को आर्किटेक्चरल इंडक्टिव बायस के रूप में एम्बेड करके, HSD वर्तमान विधियों की मुख्य सीमा को संबोधित करता है: जटिल मैनिफोल्ड्स पर दक्षता या अभिव्यक्ति से समझौता किए बिना हाई-फ्रीक्वेंसी ज्यामितीय विवरणों और वैश्विक संरक्षण कानूनों को संयुक्त रूप से कैप्चर करने में असमर्थता।

स्वीकृत सीमाएँ (Limitations Acknowledged):
यह विधि वर्तमान में आइगेनडीकंपोजिशन की लागत को कम करने के लिए फिक्स्ड ज्योमेट्री या आइसोमेट्रिक डीफॉर्मेशन पर निर्भर करती है, जो इसे तीन आयाम या उससे कम के मैनिफोल्ड्स पर इयुलरियन सिमुलेशन तक सीमित करती है। यह स्मूथ स्ट्रक्चर भी मानती है, क्योंकि एम्बिएंट मोलिफिकेशन (mollification) शॉक वेव्स जैसी मजबूत विच्छिन्नताओं (discontinuities) को हैंडल नहीं कर सकता है। भविष्य के कार्य में टाइम-वेरिंग टोपोलॉजी के लिए आइसोस्पेक्ट्रल डीफॉर्मेशन या फंक्शनल मैप्स को शामिल करने का सुझाव दिया गया है।