🤖 machine learning

GENERIC-FNO: Embedding Energy Conservation and Entropy Production into Fourier Neural Operators

यह शोधपत्र GENERIC-FNO को प्रस्तुत करता है, जो पहला न्यूरल ऑपरेटर है जो विकर्ण फूरियर मल्टीप्लायर्स (diagonal Fourier multipliers) के माध्यम से सटीक डिजेनेरेसी स्थितियों का निर्माण करके गैर-संतुलन ऊष्मागतिकी (nonequilibrium thermodynamics) की पूर्ण GENERIC संरचना को सीधे फलन स्थान (function space) में समाहित करता है, जिससे बिना किसी पेनल्टी टर्म के विविध PDEs और रिज़ॉल्यूशन में मशीन-प्रिसिजन ऊर्जा संरक्षण और एंट्रॉपी उत्पादन की गारंटी मिलती है।

मूल लेखक: Jason Sulskis, Sathya Ravi

प्रकाशित 2026-06-09

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jason Sulskis, Sathya Ravi

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

कल्पना कीजिए कि आप एक कंप्यूटर को यह सिखाने की कोशिश कर रहे हैं कि तरल पदार्थ कैसे चलता है, गर्मी कैसे फैलती है, या एक लहर कैसे टूटती है। आप कंप्यूटर को बहुत सारा डेटा देते हैं, और वह अगले कदम का अनुमान लगाना सीख जाता है। लेकिन यहाँ एक समस्या है: मानक कंप्यूटर मॉडल एक ऊबड़-खाबड़ फर्श पर खिलौना कार के साथ खेलने वाले बच्चे की तरह हैं। वे सामान्य विचार तो समझ सकते हैं, लेकिन समय के साथ, वे भटकने लगते हैं। वे कार को भौतिकी (physics) की अनुमति से अधिक तेज़ चला सकते हैं, या वे कहीं से भी गर्मी पैदा कर सकते हैं। वास्तविक दुनिया में, ऊर्जा संरक्षित रहती है (यह बस गायब या प्रकट नहीं होती), और एंट्रॉपी (अव्यवस्था) हमेशा बढ़ती है या स्थिर रहती है। मानक AI मॉडल अक्सर इन नियमों को भूल जाते हैं, जिससे उनके अनुमान एक सेकंड के लिए तो ठीक दिखते हैं लेकिन कुछ समय बाद बिखर जाते हैं।

यह शोध पत्र एक नया AI मॉडल पेश करता है जिसे GENERIC-FNO कहा जाता है। इसे एक "फिजिक्स-अवेयर" (भौतिकी-जागरूक) मॉडल के रूप में सोचें जो केवल अनुमान नहीं लगाता; बल्कि इसे बनाया ही इस तरह गया है कि यह निर्माण के पहले क्षण से ही ऊष्मागतिकी (thermodynamics) के नियमों का पालन करे।

यह कैसे काम करता है, यहाँ सरल उपमाओं के साथ बताया गया है:

1. दो बल: प्रतिवर्ती (Reversible) और अपरिवर्तनीय (Irreversible)

वास्तविक दुनिया में, चीजें दो तरह से होती हैं:

प्रतिवर्ती (The Perfect Swings): कल्पना कीजिए कि एक निर्वात (vacuum) में एक पेंडुलमम झूल रहा है। यह बिना ऊर्जा खोए आगे-पीछे झूलता रहता है। यह "प्रतिवर्ती" है।
अपरिवर्तनीय (The Melting Ice): कल्पना कीजिए कि एक गर्म कॉफी का कप ठंडा हो रहा है। यह कमरे में गर्मी छोड़ देता है और फिर कभी स्वतः गर्म नहीं होता। यह "अपरिवर्तनीय" है और एंट्रॉपी पैदा करता है।

अधिकांश AI मॉडल दोनों को एक साथ सीखने की कोशिश करते हैं, लेकिन वे अक्सर भ्रमित हो जाते हैं, उन्हें आपस में मिला देते हैं या नियमों का उल्लंघन करते हैं। GENERIC-FNO उन्हें स्पष्ट रूप से अलग करता है। इसके दो अलग "हाथ" हैं:

प्रतिवर्ती हाथ (The Reversible Hand): यह झूलने वाले, ऊर्जा-संरक्षण वाले हिस्सों को संभालता है।
अपरिवर्तनीय हाथ (The Irreversible Hand): यह ठंडा होने वाले, ऊर्जा-क्षय (dissipating) वाले हिस्सों को संभालता है।

2. "सैंडविच" ट्रिक (गुप्त नुस्खा)

शोध पत्र का सबसे बड़ा नवाचार यह है कि यह इन दोनों हाथों को नियमों को तोड़े बिना एक साथ तालमेल बिठाने के लिए कैसे मजबूर करता है।

आमतौर पर, यदि आप चाहते हैं कि कोई AI नियम का पालन करे, तो आप उसे कहते हैं, "हे, यदि तुम इस नियम को तोड़ते हो, तो मैं तुम्हें कम ग्रेड दूँगा" (इसे दंड देना कहा जाता है)। लेकिन लेखक कहते हैं कि यह एक बच्चे को यह बताने जैसा है कि, "दौड़ो मत," लेकिन फिर भी उसे दौड़ने देना और बाद में उसे डांटना। बच्चा फिर भी दौड़ता है, और अंततः, वह टकरा जाता है।

इसके बजाय, GENERIC-FNO एक "सैंडविच" निर्माण का उपयोग करता है:

कल्पना कीजिए कि "प्रतिवर्ती हाथ" ब्रेड का एक टुकड़ा है।
कल्पना कीजिए कि "अपरिवर्तनीय हाथ" ब्रेड का दूसरा टुकड़ा है।
बीच में, वे एक विशेष "फिलिंग" (गणितीय फ़िल्टर) रखते हैं।

यह फिलिंग इस तरह डिज़ाइन की गई है कि प्रतिवर्ती हाथ सिस्टम के "एंट्रॉपी" (अव्यवस्था) वाले हिस्से को नहीं छू सकता, और अपरिवर्तनीय हाथ "ऊर्जा" वाले हिस्से को नहीं छू सकता। यह मशीन के अंदर एक दीवार बनाने जैसा है जो गलत हाथ को गलत चीज़ को छूने से भौतिक रूप से रोकता है।

कोड के भीतर इस भौतिक "दीवार" के कारण:

मॉडल गलती से ऊर्जा को शून्य से पैदा नहीं कर सकता।
मॉडल गलती से ऊर्जा को नष्ट नहीं कर सकता।
इसे नियमों का पालन करने के लिए "डांटने" (दंडित करने) की आवश्यकता नहीं है; यह वास्तव में उन्हें तोड़ ही नहीं सकता।

3. "मशीन प्रिसिजन" की गारंटी

लेखकों ने इसका परीक्षण किया और पाया कि यह अद्भुत है। क्योंकि नियम संरचना में ही बने हुए हैं, मॉडल भौतिकी के नियमों का मशीन प्रिसिजन (यंत्र सटीकता) के साथ पालन करता है।

उपमा: यदि आपके पास एक बैंक खाता है जहाँ गणित यह सुनिश्चित करने के लिए हार्डवायर्ड है कि बैलेंस कभी नकारात्मक न हो, तो आपको यह जानने के लिए हर दिन बैलेंस चेक करने की आवश्यकता नहीं है कि आप कर्ज में नहीं डूबेंगे। गणित स्वयं गारंटी देता है।
उनके परीक्षणों में, मॉडल का ऊर्जा संरक्षण 13 दशमलव स्थानों तक सटीक था। यह ऐसा है जैसे मॉडल एक आदर्श अकाउंटेंट है जो कभी राउंडिंग एरर (गणना त्रुटि) नहीं करता।

4. "ज़ूम" सुपरपावर

इसकी सबसे शानदार विशेषताओं में से एक सुपर-रेज़ोल्यूशन है।

उपमा: कल्पना कीजिए कि आप एक बच्चे को एक छोटे, लो-रेज़ोल्यूशन ग्रिड (जैसे 10x10 पिक्सेल ग्रिड) का उपयोग करके शहर का नक्शा बनाना सिखाते हैं। आमतौर पर, यदि आप उससे एक बड़े, हाई-डेफिनिशन स्क्रीन (256x256 पिक्सल्स) पर वही शहर बनाने के लिए कहते हैं, तो वह खो जाएगा या उसका चित्र धुंधला दिखेगा।
GENERIC-FNO अलग है। क्योंकि इसने केवल पिक्सेल को याद नहीं किया, बल्कि शहर के नियमों (भौतिकी) को सीखा है, यह छोटे ग्रिड को देख सकता है और तुरंत बिना किसी अतिरिक्त प्रशिक्षण के शहर का एक उत्तम, हाई-डेफिनेशन संस्करण बना सकता है। यह छोटे और बड़े ग्रिड दोनों पर समान रूप से काम करता है।

5. "गेज" रहस्य (एक सूक्ष्म बिंदु)

शोध पत्र एक जटिल अवधारणा का उल्लेख करता है जिसे "गेज फ्रीडम" (Gauge Freedom) कहा जाता है।

उपमा: कल्पना कीजिए कि आप एक यात्रा का वर्णन कर रहे हैं। आप कह सकते हैं, "मैं 5 मील उत्तर की ओर चला," या "मैं 5 मील उत्तर और फिर 10 मील पूर्व की ओर चला, लेकिन पृथ्वी घूम गई इसलिए मैं उसी स्थान पर पहुँच गया।" दोनों विवरण एक ही परिणाम की ओर ले जाते हैं, लेकिन नंबर अलग दिखते हैं।
इस मॉडल में, AI "ऊर्जा" और "एंट्रॉपी" सीखता है, लेकिन "ऊर्जा" को गणितीय रूप से परिभाषित करने का केवल एक सही तरीका नहीं है। लेखक स्वीकार करते हैं कि जबकि परिणाम (तरल पदार्थ की गति) उत्तम है, AI द्वारा "ऊर्जा" को दिए गए विशिष्ट नंबर इस बात पर निर्भर कर सकते हैं कि आप इसे कैसे देखते हैं।
हालाँकि, उन्होंने एक विशेष "डिटेक्टर" बनाया जो इन भ्रमित करने वाले नंबरों को अनदेखा करता है और केवल यह जाँचता है: "क्या यह सिस्टम ऊर्जा खो रहा है (क्षय हो रहा है) या केवल आगे-पीछे झूल रहा है (प्रतिवर्ती)?" यह डिटेक्टर पूरी तरह से काम करता है और भौतिकी के बारे में सच बताता है, चाहे नीचे का गणित कितना भी भ्रमित करने वाला क्यों न हो।

6. जहाँ यह संघर्ष करता है (ईमानदार सीमाएँ)

लेखक इस बारे में बहुत ईमानदार हैं कि यह मॉडल कहाँ अभी भी पूर्ण नहीं है।

"प्योर स्लाइड" (शुद्ध फिसलन) की समस्या: यदि आपके पास एक प्रणाली है जो पूरी तरह से प्रतिवर्ती है (जैसे घर्षण रहित स्लाइड), तो मॉडल एक मानक, "अनकन्स्ट्रेंड" (अप्रतिबंधित) AI की तुलना में थोड़ा कम सटीक है।
क्यों? क्योंकि एक मानक AI डेटा को पूरी तरह से फिट करने के लिए थोड़ा "चीटिंग" (धोखा) करने की अनुमति रखता है। GENERIC-FNO नियमों से बंधा होने के कारण चीटिंग करने से इनकार करता है। यह एक सख्त शेफ की तरह है जो अतिरिक्त नमक डालने से मना कर देता है ताकि व्यंजन बेहतर स्वाद दे सके, भले ही ग्राहक को वह पसंद आए। व्यंजन "भौतिक रूप से सही" है, लेकिन शायद उस विशिष्ट डेटासेट के लिए "सबसे स्वादिष्ट" नहीं है।
"कोर्स ग्रिड" (मोटा ग्रिड) का मुद्दा: यदि आप बहुत कम गुणवत्ता वाले, धुंधले ग्रिड पर मॉडल चलाने की कोशिश करते हैं, तो गणित थोड़ा अस्थिर हो जाता है। लेखकों ने पाया कि यह समय को आगे बढ़ाने के लिए उनके द्वारा उपयोग की जाने वाली "स्टेपिंग" विधि के कारण है, न कि भौतिकी के नियमों के कारण।

सारांश

GENERIC-FNO एक नए प्रकार का AI है जो ऊष्मागतिकी के नियमों (ऊर्जा संरक्षण और एंट्रॉपी) को सीधे अपने कंकाल (skeleton) में बुनता है।

यह केवल भविष्यवाणी करना नहीं सीखता; यह भौतिकी के नियमों के अनुसार सही ढंग से भविष्यवाणी करना सीखता है।
यह बिना पुन: प्रशिक्षण के छोटे और विशाल ग्रिड पर काम करता है।
यह उस "ड्रिफ्ट" (भटकाव) को रोकता है जो अन्य AI मॉडलों को लंबे समय तक चलने के बाद विफल कर देता है।
यह कच्चे फिटिंग पावर की थोड़ी सी कमी के बदले भौतिकी के कभी न टूटने की गारंटी देता है।

यह उस AI की ओर एक कदम है जो केवल दुनिया की नकल नहीं करता, बल्कि उन मौलिक नियमों का सम्मान करता है जो ब्रह्मांड को थामे रखते हैं।

तकनीकी सारांश: GENERIC-FNO

समस्या विवरण

न्यूरल ऑपरेटर्स, जैसे कि फूरियर न्यूरल ऑपरेटर (FNO) और DeepONet, आंशिक अंतर समीकरणों (PDEs) के समाधान ऑपरेटरों के रूप में सफल रहे हैं, जो विभिन्न विविक्तीकरणों (discretizations) के बीच सामान्यीकरण करने वाले फलन स्थानों (function spaces) के बीच मानचित्रण सीखते हैं। हालांकि, जब लंबी प्रक्षेपवक्रों (trajectories) की भविष्यवाणी करने के लिए ऑटोरेग्रेसिव रूप से तैनात किया जाता है, तो अनियंत्रित न्यूरल ऑपरेटर्स में त्रुटियां जमा होती हैं जो केवल संख्यात्मक नहीं बल्कि भौतिक होती हैं। उनमें संरक्षण और अपव्यय (dissipation) नियमों की अंतर्निहित समझ का अभाव होता है, जिससे ऊर्जा का विचलन (energy drifts) और उन मात्राओं में स्पूरियस (spurious) वृद्धि होती है जिन्हें स्वाभाविक रूप से कम होना चाहिए।

जबकि फलन स्थान (function space) में मौजूदा संरचना-संरक्षण विधियाँ एकल संरक्षण नियमों या विशुद्ध रूप से प्रतिवर्ती (Hamiltonian) गतिकी को लागू करती हैं, वे उस अपरिवर्तनीय एंट्रॉपी उत्पादन को पकड़ने में विफल रहती हैं जो वास्तविक अपव्ययी प्रक्रियाओं के लिए आवश्यक है। इसके विपरीत, GENERIC (गैर-संतुलन प्रतिवर्ती-अपरिवर्तनीय युग्मन के लिए सामान्य समीकरण) औपचारिकता पर आधारित थर्मोडायनामिक रूप से सुसंगत लर्निंग मुख्य रूप से परिमित-आयामी अवस्था वेक्टरों, ग्राफों, या कण प्रणालियों तक सीमित रही है। कोई भी मौजूदा न्यूरल ऑपरेटर पूर्ण GENERIC संरचना को—जो प्रतिवर्ती, ऊर्जा-संरक्षण गतिकी को अपरिवर्तनीय, एंट्रॉपी-उत्पादक गतिकी के साथ डिजेनेरेसी स्थितियों (degeneracy conditions) के माध्यम से जोड़ता है—सीधे फलन स्थान (function space) में समाहित नहीं करता है।

कार्यप्रणाली: GENERIC-FNO

लेखक GENERIC-FNO पेश करते हैं, जो फलन स्थान में पूर्ण GENERIC संरचना को समाहित करने वाला पहला न्यूरल ऑपरेटर है। क्षेत्र $u(x,t)$ की गतिकी को इस प्रकार मॉडल किया जाता है:
$\partial_t u = L \frac{\delta E}{\delta u} + M \frac{\delta S}{\delta u}$
जहाँ $E$ ऊर्जा कार्यात्मक (energy functional) है, $S$ एंट्रॉपी कार्यात्मक है, $L$ एक स्केव-एडजॉइंट (skew-adjoint) ऑपरेटर (प्रतिवर्ती) है, और $M$ एक धनात्मक अर्ध-निश्चित (positive semi-definite) ऑपरेटर (अपरिवर्तनीय) है। थर्मोडायनामिक सुसंगतता (प्रथम और द्वितीय नियम) दो डिजेनेरेसी स्थितियों द्वारा गारंटीकृत होती है: $L \frac{\delta S}{\delta u} = 0$ और $M \frac{\delta E}{\delta u} = 0$ ।

प्रमुख वास्तुशिल्प घटक (Key Architectural Components)

सीखे गए कार्यात्मक (Learned Functionals): ऊर्जा $E_\theta[u]$ और एंट्रॉपी $S_\phi[u]$ को स्केलर-मान वाले न्यूरल ऑपरेटर्स के रूप में सीखा जाता है। वे इनपुट फील्ड को एक फीचर डेंसिटी में मैप करते हैं, जिसके बाद स्थानिक औसत (spatial averaging) और एक छोटा MLP हेड होता है। यह स्थानिक औसत सुनिश्चित करता है कि कार्यात्मक रिज़ॉल्यूशन-स्वतंत्र हों। उनके वेरिएशनल डेरिवेटिव्स ( $\delta E/\delta u$ , $\delta S/\delta u$ ) को रिवर्स-मोड ऑटोमैटिक डिफरेंशिएशन के माध्यम से गणना किया जाता है।
निर्माण द्वारा संरचना-संरक्षण ऑपरेटर: घने मैट्रिसेस (dense matrices) सीखने के बजाय, जो ग्रिड आकार के साथ स्केल करते हैं, $L$ $L$ और $M$ $M$ को लो-फ्रीक्वेंसी मोड्स के एक निश्चित बैंड पर कार्य करने वाले डायगोनल फूरियर मल्टीप्लायर्स के रूप में पैरामीटराइज़ किया गया है।
- प्रतिवर्ती ऑपरेटर बेस स्केव-एडजॉइंट ( $i a(k)$ ) है।
- अपरिवर्तनीय ऑपरेटर बेस धनात्मक अर्ध-निश्चित ( $|b(k)|^2$ ) है।
सटीक डिजेनेरेसी प्रवर्तन (Exact Degeneracy Enforcement): यह सुनिश्चित करने के लिए कि डिजेनेरेसी स्थितियाँ पेनल्टी टर्म्स या अंतिम अपडेट के प्रोजेक्शन के बिना सटीक रूप से संतुष्ट हों, लेखक डायगोनल मल्टीप्लायर्स को रैंक-वन $L^2$ $L^{2}$ प्रोजेक्शन्स के बीच "सैंडविच" करते हैं।
- प्रतिवर्ती ऑपरेटर $L$ को एंट्रॉपी ग्रेडिएंट दिशा से बाहर प्रोजेक्ट किया जाता है: $L = (I - P_S) D_L (I - P_S)$ ।
- अपरिवर्तनीय ऑपरेटर $M$ को ऊर्जा ग्रेडिएंट दिशा से बाहर प्रोजेक्ट किया जाता है: $M = (I - P_E) D_M (I - P_E)$ ।
- यह निर्माण सुनिश्चित करता है कि $L \frac{\delta S}{\delta u} = 0$ और $M \frac{\delta E}{\delta u} = 0$ किसी भी इनिशियलाइजेशन, आयाम या रिज़ॉल्यूशन के लिए मशीन प्रिसिजन तक समान रूप से सत्य हों।

गेज इनवेरिएंस और डायग्नोस्टिक्स

पेपर स्वीकार करता है कि दिया गया फ्लो (flow) साकार करने वाला टुपल $(E, S, L, M)$ अद्वितीय नहीं है (गेज फ्रीडम)। जबकि संरचनात्मक गारंटी गेज-इनवेरिएंट है, गतिकी का प्रतिवर्ती बनाम अपरिवर्तनीय चैनलों को श्रेय देने का तरीका गेज-इनवेरिएंट नहीं है। इसे संबोधित करने के लिए, लेखक एक निश्चित द्विघातीय ऊर्जा $Q[u] = \frac{1}{2}\|u\|^2$ पर आधारित एक गेज-इनवेरिएंट डिसिपेशन डायग्नोस्टिक ( $r_{mech}$ ) पेश करते हैं, न कि सीखे गए कार्यात्मकों पर। यह मीट्रिक सीखे गए डीकंपोज़िशन से स्वतंत्र रूप से वास्तविक प्रतिवर्ती गतिकी को अपव्ययी गतिकी से अलग करता है।

प्रमुख योगदान

प्रथम फलन-स्थान GENERIC ऑपरेटर: फलन स्थान में पूर्ण GENERIC संरचना (सीखी गई ऊर्जा/एंट्रॉपी और युग्मित प्रतिवर्ती/अपरिवर्तनीय ऑपरेटर) को समाहित करने वाला पहला न्यूरल ऑपरेटर, जो फील्ड थ्योरीज़ के लिए थर्मोडायनामिक रूप से सुसंगत लर्निंग को सक्षम बनाता है।
निर्माण द्वारा डिजेनेरेसी: प्रोजेक्शन-सैंडविच किए गए डायगोनल फूरियर मल्टीप्लायर्स का उपयोग करने वाला एक अभिनव पैरामीटराइजेशन जो डिजेनेरेसी स्थितियों को सटीक रूप से लागू करता है। यह सॉफ्ट पेनल्टीज़, अपडेट प्रोजेक्शन, या फ्री रेसिडुअल्स की आवश्यकता को समाप्त करता है, जिससे यह सुनिश्चित होता है कि संरचनात्मक पहचान मशीन प्रिसिजन ( $\sim 10^{-13}$ ) तक बनी रहती है।
गेज-इनवेरिएंट डायग्नोस्टिक्स: सीखे गए डीकंपोज़िशन की गैर-विशिष्टता की पहचान और भौतिक अपव्यय को मापने के लिए एक फाल्सीफिएबल (falsifiable), गेज-इनवेरिएंट डायग्नोस्टिक का प्रस्ताव।
रिज़ॉल्यूशन और आयाम स्वतंत्रता: $4\times$ सुपर-रिज़ॉल्यूशन रेंज (जैसे, $64 \to 256$ ) और स्थानिक आयामों (1D और 2D) में ज़ीरो-शॉट (zero-shot) ट्रांसफर के माध्यम से उच्च सटीकता और संरचनात्मक गारंटी का प्रदर्शन।
व्यापक अनुभवजन्य अध्ययन: तीन ऑपरेटर बैकबोन (2D FNO, 1D FNO, DeepONet) और चार PDEs (Heat, Advection, Burgers, Damped Wave) पर मूल्यांकन, जो स्पष्ट रूप से रिपोर्ट करता है कि कहाँ संरचनात्मक बाधाएं सुधार लाती हैं और कहाँ लागत उत्पन्न करती हैं।

प्रयोगात्मक परिणाम

मॉडल का मूल्यांकन चार PDEs पर किया गया जो प्रतिवर्ती, अपव्ययी और मिश्रित शासन (regimes) को कवर करते हैं:

सटीकता और स्थिरता: अपव्ययी (Heat) और मिश्रित (Burgers, Damped Wave) समस्याओं पर, GENERIC-FNO ने अनकन्स्ट्रेंड और एनर्जी-पेनलाइज्ड बेसलाइन्स को पछाड़ दिया, और अक्सर कम पैरामीटर्स का उपयोग किया। उदाहरण के लिए, 2D FNO बैकबोन पर, इसने स्टैंडर्ड FNO की तुलना में बर्गर्स रोलआउट एरर को 85% तक कम कर दिया।
लॉन्ग-होरिज़न स्थिरता: 200-स्टेप रोलआउट (15-स्टेप ट्रेनिंग होराइजन से बहुत आगे) में, अनकन्स्ट्रेंड बेसलाइन्स काफी विचलित हो गए (हीट के लिए ऊर्जा $\approx 9\times$ बढ़ी), जबकि GENERIC-FNO सीमित और भौतिक रूप से स्वीकार्य रहा।
सुपर-रिज़ॉल्यूशन: मॉडल ने ट्रेनिंग ग्रिड की तुलना में $4\times$ महीन ग्रिडों पर ज़ीरो-शॉट मूल्यांकन के दौरान उच्च सटीकता और संरचनात्मक गारंटी बनाए रखी।
प्रतिवर्ती परिवहन (Reversible Transport): शुद्ध लीनियर एडवेक्शन (एक पूरी तरह से प्रतिवर्ती प्रणाली) पर, GENERIC-FNO ने FNO बैकबोन पर अनकन्स्ट्रेंड बेसलाइन्स की तुलना में थोड़ा अधिक एरर दिखाया। लेखक इसका श्रेय इसे मॉडल की फ्लेक्सिबिलिटी के लिए अपने अपरिवर्तनीय चैनल का उपयोग करने से रोकने वाले प्रतिबंध और मोटे ग्रिड पर स्पष्ट इंटीग्रेटर सीमाओं को देते हैं।
डिसिपेशन डायग्नोस्टिक्स: गेज-इनवेरिएंट डायग्नोस्टिक $r_{mech}$ ने सही ढंग से प्रतिवर्ती सिस्टम (मान $\approx 0$ ) की पहचान की और सभी PDEs में भौतिक अपव्यय के सही ग्राउंड-ट्रुथ ऑर्डरिंग को रिकवर किया।

महत्व और दावे

पेपर का दावा है कि GENERIC-FNO फलन स्थानों के लिए थर्मोडायनामिक रूप से सुसंगत लर्निंग और न्यूरल ऑपरेटर्स के बीच के अंतर को पाटता है। फंक्शनल स्पेस में थर्मोडायनेमिक रूप से सुसंगत गतिकी को पेनल्टी के बजाय निर्माण द्वारा (by construction) लागू करके, यह विधि सुनिश्चित करती है कि सीखी गई गतिकी भौतिक रूप से स्वीकार्य मैनिफोल्ड पर बनी रहे।

लेखक इस बात पर जोर देते हैं कि संरचनात्मक गारंटी सटीक और हस्तांतरणीय है, जो इसे उन लंबे समय के पूर्वानुमानों के लिए मजबूत बनाती है जहाँ अनकन्स्ट्रेंड सरोगेट्स विफल हो जाते हैं। वे स्पष्ट रूप से ट्रेड-ऑफ को नोट करते हैं: यदि बैकबोन में क्षमता की कमी है तो विधि शुद्ध प्रतिवर्ती परिवहन कार्यों पर अभिव्यक्ति (expressiveness) को कम कर सकती है, और वर्तमान कार्यान्वयन एक स्पष्ट इंटीग्रेटर का उपयोग करता है जो प्रतिवर्ती प्रणालियों के लिए मोटे-ग्रिड सटीकता को सीमित करता है। हालाँकि, पेनल्टी टर्म्स के बिना फलन स्थान में थर्मोडायनामिक रूप से सुसंगत गतिकी सीखने की क्षमता, टर्बुलेंस और जटिल तरल पदार्थों जैसे जटिल फील्ड समस्याओं के लिए स्थिर, भौतिक रूप से आधारित सरोगेट्स की ओर एक महत्वपूर्ण कदम है।