🔢 mathematics

$\phi-$ DeepONet: A Discontinuity Capturing Neural Operator

Dit paper introduceert $\phi$ -DeepONet, een door de natuurkunde geïnspireerd neuronaal operator-model dat discontinuïteiten in zowel invoer- als uitvoervelden succesvol kan modelleren door middel van meerdere tak-netwerken en een niet-lineaire latente embedding van interfaces.

Oorspronkelijke auteurs: Sumanta Roy, Stephen T. Castonguay, Pratanu Roy, Michael D. Shields

Gepubliceerd 2026-04-10

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sumanta Roy, Stephen T. Castonguay, Pratanu Roy, Michael D. Shields

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 superintelligente computer wilt trainen om de natuurwetten te begrijpen en voorspellen. Bijvoorbeeld: hoe warmte zich verspreidt door een muur die bestaat uit verschillende materialen (zoals baksteen en glas), of hoe water stroomt door grond met verschillende lagen.

Normaal gesproken werken deze computers (neuronale netwerken) alsof de wereld glad en continu is. Maar in het echte leven is dat vaak niet zo. Denk aan een muur waar twee verschillende materialen op elkaar aansluiten. Op die grens (de "interface") gebeurt er iets raars: de temperatuur kan plotseling veranderen, of de stroom van warmte kan abrupt van richting veranderen. Voor een gewone computer is dit als proberen een gladde, rechte lijn te tekenen terwijl er een scherpe hoek in zit. Het lukt niet goed; de voorspellingen worden onnauwkeurig.

De auteurs van dit paper hebben een nieuwe oplossing bedacht, genaamd ϕ-DeepONet (spreek uit als "Phi-DeepONet"). Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: De "Gladde" Computer

Stel je voor dat je een kunstenaar vraagt om een schilderij te maken van een landschap met een scherpe bergtop. Als je de kunstenaar alleen maar leert hoe je zachte, ronde heuvels tekent, zal hij de bergtop proberen te vervormen tot een ronde heuvel. Dat ziet er raar uit en is niet waar.

In de wereld van de natuurkunde zijn veel problemen net die scherpe bergtop: er zijn grenzen tussen verschillende materialen waar de regels plotseling veranderen. De oude methoden (zoals "DeepONet") konden deze scherpe randen niet goed zien en maakten daarom fouten.

2. De Oplossing: De "Gids" (De Latente Embedding)

De nieuwe methode, ϕ-DeepONet, doet iets slimme. In plaats van de kunstenaar te dwingen de scherpe rand te tekenen met één enkele penseelstreek, geven ze hem een gids.

De Gids (ϕ): Dit is een extra stukje informatie dat de computer krijgt. Het is als een kaartje dat zegt: "Let op! Hier ben je in de bakstenen sectie, en daar ben je in de glazen sectie."
Hoe werkt het? De computer leert een soort "geheime code" (een latente ruimte) die automatisch herkent waar de grens ligt. Het is alsof de computer een extra zintuig krijgt dat voelt waar het materiaal verandert, zelfs als de computer zelf niet precies weet hoe de muur eruitziet.

3. Twee Werktuigen: De Branch en de Trunk

De naam "DeepONet" komt van de structuur van het brein van de computer, dat bestaat uit twee delen:

De Branch (Takken): Dit zijn de "oors" van de computer. Ze luisteren naar de input (bijv. de temperatuur aan de ene kant). Omdat de input soms ook scheef is (bijv. verschillende materialen), gebruiken ze meerdere oren om alles goed te horen.
De Trunk (Stam): Dit is de "hand" van de computer die het antwoord schrijft. In de nieuwe ϕ-DeepONet krijgt deze hand de gids (de kaart met de grenzen) mee. Hierdoor weet de hand precies waar hij moet "springen" of "knikken" om de scherpe randen in het antwoord te tekenen.

4. Het Resultaat: Een Perfecte Voorspelling

Met deze methode kan de computer nu:

Scherpe randen tekenen: Hij maakt geen ronde heuvels meer van scherpe bergen. Hij tekent de exacte hoek die nodig is.
Snel leren: Omdat hij de structuur van de grenzen "in zijn hoofd" heeft, hoeft hij niet te worstelen met de wiskunde van de scherpe randen. Hij leert sneller en maakt minder fouten.
Kostenbesparing: Andere methoden proberen het probleem op te lossen door het landschap in stukken te hakken (elk stuk apart berekenen). Dat is als een puzzel maken waarbij je eerst de randen moet zoeken. ϕ-DeepONet ziet het hele plaatje in één keer, wat veel sneller en goedkoper is in rekenkracht.

Samenvattend

Stel je voor dat je een robot wilt leren om een huis te bouwen.

Oude robots dachten dat alle muren van hetzelfde materiaal waren. Als ze een muur moesten bouwen met baksteen en beton, maakten ze een rommelige, onnauwkeurige muur.
De nieuwe robot (ϕ-DeepONet) krijgt een blauwdruk met een speciale marker die zegt: "Hier is baksteen, hier is beton." Hierdoor bouwt hij de muur perfect, met de juiste scherpe overgang, en doet hij het veel sneller dan de robots die proberen het probleem op te splitsen in duizend kleine stukjes.

Kortom: ϕ-DeepONet is een slimme manier om computers te leren omgaan met de "scherpe randen" van de echte wereld, zodat ze natuurkundige problemen veel nauwkeuriger en sneller kunnen oplossen.

Titel: ϕ-DeepONet: Een Neural Operator voor het Opvangen van Discontinuïteiten

Auteurs: Sumanta Roy, Stephen Castonguay, Pratanu Roy en Michael D. Shields.
Instituut: Johns Hopkins University en Lawrence Livermore National Laboratory.

1. Probleemstelling

In veel wetenschappelijke en technische toepassingen (zoals warmtegeleiding in composieten, stroming in poreuze media of reactie-diffusie systemen) treden interface-problemen op waarbij meerdere materialen of fasen met elkaar interageren. Deze problemen worden gekenmerkt door:

Discontinue coëfficiënten: Materiaaleigenschappen (zoals diffusiecoëfficiënten) veranderen abrupt aan de grens tussen subdomeinen.
Sprongcondities: De oplossing en/of de flux kunnen discontinuïteiten vertonen of sprongen maken aan de interface.
Beperkingen van bestaande methoden:
- Traditionele numerieke methoden (FEM, FDM) vereisen vaak een mesh die exact aan de interfaces voldoet, wat computatie-intensief is bij complexe geometrieën.
- Bestaande Physics-Informed Neural Networks (PINNs) en Neural Operators (zoals DeepONet) gaan uit van de universele benaderingstheorie voor continue functies. Ze hebben moeite om scherpe discontinuïteiten of niet-gladde oplossingen nauwkeurig te modelleren zonder expliciete domeindecompositie.
- Bestaande oplossingen voor interfaces (zoals IONet) gebruiken vaak domeindecompositie met aparte netwerken per subdomein, wat leidt tot een groot aantal leerbare parameters en hoge rekenkosten naarmate het aantal interfaces toeneemt.

Het doel is een operator te leren die een mapping maakt van invoerfuncties (die continu of discontinu kunnen zijn) naar oplossingsvelden die sprongen vertonen, zonder dat het model bij elke parameterwijziging opnieuw getraind hoeft te worden.

2. Methodologie: ϕ-DeepONet

De auteurs introduceren ϕ-DeepONet, een fysica-informeerd neural operator-architectuur die specifiek is ontworpen om discontinuïteiten in zowel de invoer- als uitvoerruimtes te hanteren. De kern van de methode ligt in het integreren van interface-informatie direct in de basisfuncties van de operator via een latente embedding.

Architectuur

De architectuur is een modificatie van het klassieke DeepONet, bestaande uit een Branch-netwerk (voor invoer) en een Trunk-netwerk (voor coördinaten), maar met de volgende aanpassingen:

Multiple Branch Networks (voor discontinuïteit in invoer):
- In plaats van één branch-netwerk, worden er $P$ aparte branch-netwerken gebruikt, één voor elk subdomein $\Omega_q$ .
- Elk branch-netwerk ( $br_q$ ) leest de invoerfunctie $u_q$ binnen zijn respectieve subdomein in.
- De uitgangen van deze netwerken worden vermenigvuldigd om de coëfficiënten voor de basisfuncties te vormen.
Augmented Trunk Network met Latente Embedding $\phi$ (voor discontinuïteit in uitvoer):
- Het trunk-netwerk leert de basisfuncties. Om discontinuïteiten in de oplossing te kunnen modelleren, wordt het trunk-netwerk uitgebreid met een extra input: een latente variabele $\phi(y)$ .
- Deze variabele encodeert de informatie over welk subdomein een punt $y$ bevindt.
- De auteurs onderzoeken drie strategieën voor het construeren van $\phi$ $ϕ$ :
  - Scalar Embedding (SE): Toewijzen van een constante scalar per subdomein (bijv. $\gamma_q = q$ ). Eenvoudig maar minder flexibel.
  - Categorical Embedding (CE): Gebruik van een one-hot encoding van het subdomein, geprojecteerd naar een laag-dimensionale ruimte via een leerbaar matrix $E$ . Dit elimineert de noodzaak voor een vooraf gedefinieerde volgorde.
  - Non-linear Categorical Embedding: Dezelfde CE, maar met een niet-lineaire activatiefunctie (zoals tanh) toegepast op de projectie, wat de expressiviteit verhoogt.
Formulering:
De geschatte oplossing $\tilde{s}(y)$ wordt gegeven door:
$\tilde{s}(y) \approx \sum_{i=1}^{K} \left( \prod_{q=1}^{P} br_{q,i}(u_q) \right) \cdot tr_i(y, \phi(y))$
Waarbij $tr_i$ de basisfuncties zijn van het aangepaste trunk-netwerk.
Trainingsverlies:
Het model wordt getraind met een verliesfunctie die bestaat uit drie delen:
- PDE-residu: Zorgt dat de oplossing voldoet aan de differentiaalvergelijking in elk subdomein.
- Randvoorwaarden: Handhaaft Dirichlet/Neumann condities op de buitenrand.
- Interface-condities: Handhaaft de sprongcondities (continuïteit van flux en/of oplossing) op de interfaces.
- Optioneel kunnen randvoorwaarden ook "hard" worden afgedwongen door herparameterisatie van het netwerk.

3. Belangrijkste Resultaten

De methode is getest op een reeks 1D en 2D benchmarkproblemen (Poisson-type interface problemen) en vergeleken met standaard DeepONet en IONet.

Prestatie bij Discontinuïteiten:
- Standaard DeepONet faalt vaak om discontinuïteiten correct te vangen (fouten in orde van $10^{-1}$ ).
- ϕ-DeepONet bereikt aanzienlijk lagere fouten (orde $10^{-2}$ tot $10^{-3}$ ) en levert stabiele voorspellingen, zelfs bij sterke sprongen in materiaalcoëfficiënten.
- De Non-linear Categorical Embedding met een latent dimensie $D \ge 3$ presteert over het algemeen het beste, hoewel de prestaties verzadigen bij hogere dimensies.
Vergelijking met IONet:
- ϕ-DeepONet bereikt vergelijkbare of betere nauwkeurigheid dan IONet (een methode die expliciete domeindecompositie gebruikt).
- Rekenkosten: ϕ-DeepONet is aanzienlijk efficiënter. In de geteste scenario's kostte IONet 1.26 tot 3.38 keer meer rekentijd dan ϕ-DeepONet, afhankelijk van het aantal interfaces. Dit komt doordat ϕ-DeepONet geen aparte trunk-netwerken per subdomein nodig heeft.
Out-of-Distribution (OOD) Generalisatie:
- Het model toont redelijke stabiliteit bij variaties in de gemiddelde waarde ( $\mu$ ) van de invoer.
- De prestaties verslechteren echter bij zeer kleine lengteschalen ( $l_s$ ) in de invoer, wat een uitdaging blijft voor neurale operators zonder extra features (zoals Fourier-features).
Complexe Geometrieën:
- De methode slaagt erin om complexe interface-geometrieën (zoals een "petal-shaped" interface in 2D) te modelleren zonder dat het mesh of de domeindecompositie expliciet in de loss-functie hoeft te worden opgenomen.

4. Bijdragen en Significantie

Nieuwe Architectuur: De introductie van ϕ-DeepONet, die discontinuïteiten in outputvelden oplost door een latente ruimte-embedding direct in de basisfuncties van de operator te integreren, in plaats van het domein fysiek op te splitsen.
Efficiëntie: Het vermijden van domeindecompositie leidt tot een schaalbaarere oplossing voor problemen met veel interfaces, waarbij de rekenkosten significant lager zijn dan bij bestaande methoden zoals IONet.
Flexibiliteit: De methode kan zowel continue als discontinuïteit-bevattende invoerfuncties verwerken door het gebruik van meerdere branch-netwerken.
Praktische Toepasbaarheid: De resultaten tonen aan dat deze aanpak zeer geschikt is voor complexe fysica-problemen in materialenwetenschap en engineering, waar traditionele mesh-gebaseerde methoden vaak een bottleneck vormen.

5. Beperkingen en Toekomstig Werk

De methode vereist nog steeds a priori kennis van de subdomein-indeling om de categorische embedding te construeren. Voor problemen met onbekende of evoluerende interfaces is dit een beperking.
De latente representatie is per subdomein constant, wat mogelijk beperkingen oplegt aan het modelleren van fijne variaties vlakbij de interface.
Interface-condities worden momenteel "soft" afgedwongen via de loss-functie; toekomstig werk richt zich op "hard" afdwingen en het leren van continue latente velden zonder expliciete domeinverdeling.

Conclusie:
ϕ-DeepONet is een krachtige doorbraak in het veld van Scientific Machine Learning (SciML) voor interface-problemen. Het combineert de generalisatiekracht van neurale operators met een slimme mechanisme om discontinuïteiten te modelleren, wat leidt tot nauwkeurigere en efficiëntere simulaties van complexe, heterogene systemen.