Badacze opracowali Physics Informed Kernel Function Neural Operator - nową klasę operatorów neuronowych, która explicite integruje funkcje jądrowe pochodzące z równań fizyki w strukturę sieci. To istotne odróżnienie od istniejących rozwiązań, gdzie modele takie jak DeepONet polegają na głębokich sieciach neuronowych do niejawnego uczenia się funkcji bazowych. PIKFNO natomiast ogranicza sieć trunk poprzez fizycznie uzasadnione funkcje jądrowe, wyrównując architekturę operatora z rozwinięciami jądrowymi stosowanymi w meshless collocation methods.
Framework oferuje dwie strategie konstruowania funkcji jądrowych. Pierwsza podejście bezpośrednio uczy się funkcji jądrowych z danych, gdzie nauczony kernel może być interpretowany jako nieosobliwe rozwiązanie fundamentalne. Druga strategia konstruuje je przez transformacje analitycznych rozwiązań fundamentalnych. Te podejścia pozwalają na lepsze zrozumienie i kontrolę nad tym, jak model operuje.
Experymenty numeryczne wykazały, że PIKFNO nie tylko osiąga wysoką dokładność predykcji, ale wyróżnia się istotnie poprawioną interpretowalością. To jest szczególnie ważne dla zastosowań naukowych i inżynieryjnych, gdzie zrozumienie decyzji modelu jest równie cenne co sama dokładność. Dodatkowo framework wykazuje superior generalization na ograniczonej ilości danych treningowych, co ma praktyczne znaczenie gdy dane eksperymentalne lub obliczeniowe są kosztowne do uzyskania. To otwiera nowe możliwości dla interpretowych, fizycznie spójnych i efektywnych operatorów neuronowych.