🤖 machine learning

Equivariant Eikonal Neural Networks: Grid-Free, Scalable Travel-Time Prediction on Homogeneous Spaces

Dit artikel introduceert Equivariant Neural Eikonal Solvers, een nieuw raamwerk dat Equivariant Neural Fields combineert met Physics-Informed Neural Networks om reistijden op willekeurige homogene ruimten efficiënt te voorspellen door gebruik te maken van een gedeelde backbone die geconditioneerd is op latente puntenwolken voor verbeterde geometrische verankering, schaalbaarheid en oplossingsstuurbaarheid.

Oorspronkelijke auteurs: Alejandro García-Castellanos, David R. Wessels, Nicky J. van den Berg, Remco Duits, Daniël M. Pelt, Erik J. Bekkers

Gepubliceerd 2026-07-30

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Alejandro García-Castellanos, David R. Wessels, Nicky J. van den Berg, Remco Duits, Daniël M. Pelt, Erik J. Bekkers

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een meestercartograaf bent die probeert de snelste route te tekenen voor een reiziger van punt A naar punt B. Maar hier is de twist: de grond onder hen is niet vlak of uniform. Soms is het een gladde snelweg, soms een modderige moeras, en soms beweegt de reiziger over het gebogen oppervlak van een gigantische bal of een zadelvormige wereld. In de natuurkunde en techniek wordt het uitrekenen van deze "snelste aankomsttijden" beheerst door een lastige wiskundige puzzel genaamd de eikonaalvergelijking. Zie het als de ultieme verkeerscalculator die vertelt hoe lang een golf van geluid, licht of de beweging van een robot erover doet om een bestemming te bereiken door een complex landschap.

Decennialang hebben wetenschappers rigide, op rasters gebaseerde instrumenten gebruikt om deze puzzel op te lossen, alsof je probeert een vloeiende curve te tekenen met alleen maar vierkante Lego-steentjes. Als het landschap complexer wordt, heb je miljoenen piepkleine steentjes nodig, wat eeuwen duurt om te berekenen en al het geheugen van je computer opeet. Recentelijk zijn slimme computers (neurale netwerken) begonnen met het proberen op te lossen van dit probleem zonder de steentjes, waarbij ze de vorm van de wereld direct leren kennen. Maar deze nieuwe methoden moesten vaak vanaf nul worden getraind telkens wanneer het landschap veranderde, wat te traag was voor real-time gebruik. Ze waren als een chef die een perfecte pizza kan maken, maar als je om een burger vraagt, weer terug moet naar de culinaire opleiding om alles opnieuw te leren.

Dit is waar een team onderzoekers uit Nederland met een slim nieuw idee komt. Ze hebben een "vormveranderend" neuraal netwerk gebouwd dat niet alleen één specifieke kaart leert; het leert de regels van hoe kaarten veranderen wanneer je de wereld roteert of verschuift. Door dit probleem te behandelen als een spel van geometrische symmetrie, hebben ze een systeem gecreëerd dat zich direct kan aanpassen aan nieuwe terreinen zonder opnieuw te hoeven leren. Het is alsof je een chef leert wat het geheime ingrediment is dat elk gerecht goed laat smaken, zodat hij direct kan overschakelen van pizza naar burgers door simpelweg de ingrediënten te veranderen, en niet het recept.

De Magie van de "Stuurbare" Kaart

Het artikel introduceert een framework genaamd Equivariant Neural Eikonal Solvers (E-NES). Om te begrijpen hoe dit werkt, stel je een magisch, rekbaar rubber vel voor dat een landschap representeert. Als je een steen over dit vel schuift, bewegen de rimpelingen (de reistijden) er perfect mee mee. Als je het vel roteert, roteert de rimpeling ook mee. Deze eigenschap wordt equivariantie genoemd.

De meeste oude neurale netwerken zijn als rigide standbeelden; als je de input roteert, raakt de output in de war en moet het netwerk raden wat er is gebeurd. De E-NES heeft echter een "geometrisch brein". Het begrijpt dat als je de input roteert (het snelheidveld of het terrein), de oplossing (de reistijd) op een overeenkomstige, voorspelbare manier roteert. De onderzoekers bereikten dit door de "condities" van het probleem niet als een simpele lijst met getallen weer te geven, maar als een point cloud die zweeft in een speciale wiskundige ruimte genaamd een Lie-groep. Denk aan deze point cloud als een set zwevende ankers die aangeven waar de "wind" waait of waar de "modder" zich bevindt.

De geniale zet is dat het netwerk zijn "spiergeheugen" (gewichten) deelt over al deze transformaties. In plaats van een aparte oplossing te leren voor elke mogelijke rotatie of verschuiving, leert het één meesteroplossing die kan worden "gestuurd" om bij elke oriëntatie te passen. Als je tegen het netwerk zegt: "Roteer de wind 90 graden", hoeft het netwerk niet opnieuw te trainen; het past simpelweg die rotatie toe op zijn interne logica, en de reistijdkaart wordt direct en correct bijgewerkt.

Wat Ze Vonden en Hoe Ze Het Testten

Het team heeft hun nieuwe solver getest in drie zeer verschillende werelden: platte 2D-kaarten, 3D-kubussen en het gebogen oppervlak van een sfeer (zoals de Aarde). Ze vergeleken hun methode met de huidige state-of-the-art, die "Neurale Operators" (zoals FC-DeepONet) en andere grid-vrije methoden omvat.

In de 2D-tests, die een benchmark-dataset gebruikten genaamd OpenFWI met 10 verschillende soorten snelheidvelden (sommige vlak, sommige gebogen, sommige met breuklijnen), toonde de E-NES aan dat hij ongelooflijk nauwkeurig kon zijn. Wanneer ze het netwerk lieten "autodecoderen" (het finetunen van de interne instellingen) voor ongeveer 100 rondes, versloeg het de concurrentie op zeven van de tien datasets. Voor de lastigere, complexere kaarten was de verbetering aanzienlijk. Zelfs wanneer ze het proces versnelden om tijd te besparen (met een "meta-learning" aanpak die slechts enkele stappen duurde), bleef de E-NES competitief, maar met een enorme snelheidswinst.

Hier worden de cijfers spannend: de traditionele methoden namen honderden seconden in beslag om één nieuwe kaart aan te passen. De E-NES, gebruikmakend van deze meta-learning truc, kon 100 verschillende snelheidvelden in minder dan 6 seconden totaal aanpassen. Dat is een verbetering van twee grootheden. Hoewel de "full convergence" modus (waarbij het langer draait voor de absolute beste nauwkeurigheid) ongeveer 222 seconden nodig had voor 100 velden, produceerde het nog steeds lagere fouten dan de concurrenten in de meeste gevallen.

Ze testten het systeem ook in 3D. Terwijl ze de gridgrootte vergrootten van een kleine 2x2x2 blok tot een enorme 6x6x6 blok, hield de E-NES de foutmarges stabiel. In tegen tegenstelling tot de oude grid-gebaseerde methoden (zoals de Fast Marching Method), die steeds trager worden naarmate je meer detail toevoegt, bleef de E-NES snel omdat hij helemaal geen grid gebruikt. Het behandelt de wereld als een continue stroom, dus het toevoegen van meer resolutie breekt het systeem niet.

Ten slotte namen ze het systeem mee naar een sfeer (de 2-sfeer, $S^2$ ). Dit is een niet-Euclidische wereld, wat betekent dat de geometrie gebogen is als een bal, niet plat als een tafel. Ze testten het met constante snelheden en met "Gaussian obstacle" velden (waarbij een zone met lage snelheid werkt als een bult op de sfeer). De E-NES handelde dit prachtig af, met een relatieve fout van slechts 0,013 voor constante snelheden en 0,015 voor de obstakelvelden. Het slaagde er zelfs in om geodetische paden (de kortste routes op een sfeer) te plannen, waarbij het traject rond obstakels buigt precies zoals de natuurkunde dicteert.

Waarom Dit Belangrijk Is

Het artikel sluit expliciet de mogelijkheid uit dat je een netwerk voor elk nieuw scenario opnieuw moet trainen of dat je vastzit aan de beperkingen van een grid. Ze argumenteren tegen de "per-instance training" van oudere methoden, en laten zien dat dit een bottleneck creëert voor real-time toepassingen. In plaats daarvan laten ze zien dat door geometrische symmetrie direct in de architectuur van het netwerk in te bedden, je een systeem krijgt dat niet alleen nauwkeuriger is, maar ook "stuurbaar".

Deze stuurbaarheid is de sleutel. Dit betekent dat als je de input verandert (zoals het roteren van een snelheidveld), de output op een wiskundig gegarandeerde manier verandert. Dit maakt het mogelijk om te generaliseren naar willeen Riemanniaanse variëteiten — of ze nu plat, sferisch of hyperbolisch zijn — zonder speciale aanpassingen nodig te hebben. De auteurs suggereren dat deze aanpak velden zoals seismische beeldvorming (het in kaart brengen van ondergrondse structuren), robotica (het plannen van paden voor robots in complexe omgevingen) en computer vision (het begrijpen van 3D-vormen) kan revolutioneren.

Kortom, de onderzoekers hebben niet alleen een snellere rekenmachine gebouwd; ze hebben een rekenmachine gebouwd die de geometrie van de wereld begrijpt waarvoor hij berekent. Ze hebben aangetoond dat door de symmetrieën van het universum te respecteren, je complexe reistijd-puzzels kunt oplossen met een fractie van de inspanning, wat de deur opent naar real-time, hoog-precieze modellering in 2D, 3D en zelfs op het oppervlak van een sfeer.

Technische Samenvatting: Equivariante Eikonal Neurale Netwerken

Probleemstelling

De Eikonal-vergelijking, een eerste-orde nietlineaire partiële differentiaalvergelijking (PDE), is fundamenteel voor het berekenen van kortste aankomsttijden (reistijden) in scalaire snelheidsvelden over diverse domeinen zoals computer vision (Signed Distance Functions, geodesische segmentatie), robotica (bewegingsplanning) en geofysica (seismische golfvoortplanting).

Conventionele numerieke solvers, waaronder de Fast Marching Method (FMM) en de Fast Sweeping Method (FSM), leunen zwaar op ruimtelijke discretisatie. Dit creëert een afruil waarbij complexe snelheidsmodellen hoge-resolutie roosters vereisen, wat leidt tot prohibitieve computationele en geheugenkosten. Hoewel Physics-Informed Neural Networks (PINNs) een rooster-vrij alternatief bieden door PDE-restricties in de verliesfunctie te integreren, vereisen zij doorgaans het trainen van een apart netwerk voor elk afzonderlijk snelheidsveld, wat hun toepasbaarheid in real-time of grootschalige scenario's beperkt.

Neurale Operatoren (bijv. DeepONet, Fourier Neural Operators) proberen afbeeldingen tussen functieruimtes te leren (van snelheidsvelden naar reistijdoplossingen) met behulp van gedeelde backbones. Echter, bestaande benaderingen leunen vaak op gedeeltelijke discretisatie, missen resolutie-invariantie of zijn afhankelijk van supervisie van numerieke solvers. Bovendien falen ze vaak in het expliciet benutten van de inherente geometrische symmetrieën in het probleem, waardoor kansen voor verbeterde representatie-efficiëntie en generalisatie worden gemist.

Methodologie: Equivariante Neurale Eikonal Solver (E-NES)

De auteurs stellen de Equivariant Neural Eikonal Solver (E-NES) voor, een framework dat Equivariante Neurale Velden (ENFs) integreert met Neurale Eikonal Solvers. De kerninnovatie ligt in het modelleren van de oplossing als een conditioneel neuraal veld waarbij de conditionele variabelen geometrische puntenwolken binnen een Lie-groep zijn, wat zorgt voor equivariantie onder groepshandelingen.

1. Theoretisch Kader

De methode definieert het conditionele neurale veld $T_\theta(s, r; z)$ dat de reistijdoplossing $T(s, r)$ benadert voor een gegeven snelheidsveld. De conditionele variabele $z$ wordt gerepresenteerd als een verzameling pose-context paren $z = \{(g_i, c_i)\}_{i=1}^N$ , waarbij $g_i$ groepselementen (poses) zijn en $c_i$ contextvectoren.

Het framework dwingt een stuurbaarheid-restrictie (steerability constraint) af:
$T_\theta(s, r; g \cdot z) = T_\theta(g^{-1} \cdot s, g^{-1} \cdot r; z)$
Deze eigenschap zorgt ervoor dat het toepassen van een groepstransformatie $g$ op de latente conditionele variabele een overeenkomstige, voorspelbare transformatie op de reistijdoplossing induceert. Bijgevolg generaliseert het netwerk over de gehele baan (orbit) van groepstransformaties zonder expliciete data-augmentatie.

De oplossing wordt gefactoriseerd als $T(s, r) = \tilde{d}(s, r) \tau(s, r)$ , waarbij $\tilde{d}$ een groep-invariante semimetriek is (bijv. geodesische of Euclidische chordale afstand) en $\tau$ het leerbare scalaire veld is.

2. Modelarchitectuur

De E-NES-architectuur bestaat uit twee hoofdcomponenten:

Invariante Cross-Attention Encoder: Deze module berekent invariante representaties van de invoercoördinaten $(s, r)$ en de conditionele puntenwolk $z$ . Het maakt gebruik van de moving frame method om een volledige set functioneel onafhankelijke invarianten af te leiden. Specifiek berekent het voor elke pose $g_i$ in de puntenwolk invarianten via $Inv(s, r, g_i) = (g_i^{-1} \cdot s, g_i^{-1} \cdot r)$ . Deze invarianten worden verwerkt door Random Fourier Features (RFF) en gevoed aan een cross-attention mechanisme waarbij de query wordt afgeleid van de invariante kenmerken en de keys/values van de contextvectoren.
Bounded Velocity Projection: De encoder-output wordt door een Multi-Layer Perceptron (MLP) met AdaptiveGauss activaties geleid om scherpe wavefronts te modelleren. Een finale projectielaag brengt de output naar het fysiek geldige bereik $[1/v_{max}, 1/v_{min}]$ .

3. Invariante Berekening

Een belangrijke theoretische bijdrage is de uitbreiding van de moving frame method naar product-manifolds waar de groepshandeling mogelijk niet vrij is. De auteurs bewijzen dat door de ruimte aan te vullen met een leerbaar latent groepselement, een volledige set functioneel onafhankelijke invarianten systematisch kan worden afgeleid. Dit garandeert nul informatieverlies tijdens canonicalisatie en waarborgt de expressiviteit van het model.

4. Trainingsstrategie

Het model wordt getraind met behruik van Physics-Informed Neural Network (PINN) principes. De verliesfunctie bestraft afwijkingen van de Hamiltoniaanse vorm van de Eikonal-vergelijking ( $H=0$ ) bij gesamplede bron-ontvanger paren. De auteurs hanteren twee trainingsmodi:

Autodecoding: Het gelijktijdig optimaliseren van de netwerkgewichten $\theta$ en de latente variabelen $z$ .
Meta-learning: Een buitenste lus optimaliseert $\theta$ , terwijl een binnenste lus $z$ optimaliseert voor specifieke snelheidsvelden in enkele stappen, wat snelle adaptatie naar nieuwe velden mogelijk maakt.

Belangrijkste Bijdragen

Generalisatie van Equivariante Neurale Velden: De auteurs breiden ENFs uit naar functies gedefinieerd over producten van Riemanniaanse manifolds met reguliere groepshandelingen, wat homogene ruimten associeert met lineaire Lie-groepen dekt.
E-NES Framework: Zij implementeren een solver die geometrische symmetrieën benut om Eikonal-vergelijkingen op te lossen, wat generalisatie over groepstransformaties mogelijk maakt zonder data-augmentatie.
Theoretische Garanties: Zij bieden een formele expressiviteitsanalyse die een volledige set onafhankelijke invarianten vaststelt, waarmee zij gaten in eerder werk dichten waar invarianten heuristisch werden geselecteerd.
Grid-Vrije Schaalbaarheid: De benadering biedt een grid-vrije, resolutie-onafhankelijke methode voor het oplossen van Eikonal-vergelijkingen op willekeurige Riemanniaanse manifolds, inclusclusief Euclidische, sferische en hyperbolische ruimten.

Experimentele Resultaten

De auteurs valideerden E-NES op 2D, 3D en sferische benchmarks:

2D OpenFWI Benchmarks: Op tien snelheidsveld-categorieën (bijv. FlatVel, CurveFault, Style) presteerde E-NES beter dan FC-DeepONet in 7 van de 10 datasets bij volledige autodecoding convergentie. Het bereikte aanzienlijk lagere relatieve fouten (RE) en demonstreerde superieure adaptiviteit aan complexe geometrieën.
Vergelijking met Functa: E-NES presteerde consistent beter dan Functa (een standaard Conditional Neural Field baseline) over alle datasets, wat wordt toegeschreven aan de geometrische puntenwolk-conditionering van E-NES versus de globale latente vectoren van Functa.
Schaalbaarheid (3D): Bij uitbreiding naar 3D behield E-NES stabiele foutmetrieken naarmale grid-dimensies toenamen, terwijl traditionele methoden zoals FMM lijden onder exponentiële computationele groei. E-NES demonstreerde computationele voordelen ten opzichte van FMM zelfs bij minimale gridgroottes, waarbij de efficiëntiewinst groter werd bij grotere schalen.
Niet-Euclidische Domeinen: De methode generaliseerde succesvol naar de 2-sfeer ( $S^2$ ) met $SO(2)$ stuurbaarheid, waarbij lage relatieve fouten werden behaald op constante en complexe snelheidsvelden. Het maakte geodesische padplanning mogelijk via gradiënt-integratie, waarbij obstakels correct werden omzeild.
Efficiëntie: Hoewel autodecoding tijd voor optimalisatie vereist, reduceerde de meta-learning benadering de fitting-tijd voor 100 snelheidsvelden van ~1000 seconden (DeepONet) naar minder dan 6 seconden, wat een verbetering van twee ordes van grootte betekent voor de inferentie-snelheid van nieuwe velden.

Betekenis en Claims

Het artikel claimt dat E-NES een significante vooruitgang vormt in wetenschappelijke machine learning voor het oplossen van PDE's door geometrische deep learning te verenigen met physics-informed restricties.

Stuurbaarheid en Controle: Het framework stelt gebruikers in staat om geometrisch betekenisvolle wijzigingen in de oplossing te induceren door de latente puntenwolk te transformeren, wat een niveau van controle biedt dat afwezig is in standaard Neurale Operatoren.
Representatie-efficiëntie: Door gewichten te delen over de groep-baan, bereikt het model een hogere representatie-efficiëntie en robuustheid vergeleken met methoden die aparte training voor elke instantie vereisen.
Flexibiliteit: De grid-vrije aard maakt continue evaluatie op willekeurige resoluties mogelijk, wat het geschikt maakt voor toepassingen die hoge precisie of continue padplanning vereisen (bijv. robotica, ray tracing).
Test-Time Adaptiviteit: In tegen tegenover de vaste-gewicht Neurale Operatoren, staat E-NES beoefenaars toe om tijdens de testtijd de afruil tussen nauwkeurigheid en computationele kosten dynamisch aan te passen door het aantal optimalisatie-iteraties te variëren.

De auteurs positioneren dit werk als een stap richting meer generaliseerbare, geometrisch gegronde solvers voor complexe fysieke systemen, waarbij toekomstig werk gepland is voor positie-oriëntatieruimten en hyperbolische geometrieën.