Naukowcy opracowali nową metodę meta-learningu, która radzi sobie z głównym wyzwaniem Physics-Informed Neural Networks - trudnościami w uczeniu się na danych z różnych równań fizycznych jednocześnie. Tradycyjne PINNs, sieci neuronowe wzbogacone o fizyczne prawa naturalne, ulegają dezorientacji, gdy trafiają na heterogeniczne zadania - na przykład trzeba im jednocześnie przyswoić wiedzę na temat dynamiki płynów i transferu ciepła. Opracowana przez badaczy kompozycyjna metoda meta-learningu zmienia to podejście, pozwalając sieciom elastycznie łączyć wiedzę z różnych domen fizycznych, podobnie jak człowiek przechodzący między specjalizacjami naukowymi.
Znaczenie tego rozwiązania polega na tym, że PINNs to coraz popularne narzędzie w inżynierii i naukach przyrodniczych - pozwalają łączyć dane obserwacyjne z równaniami fizycznymi, co daje lepsze wyniki niż uczenie od zera. Jednak dotychczasowe sieci borykały się z paradoksem: im bardziej złożone i różnorodne zadania biorą na siebie, tym gorzej sobie radzą. Nowe podejście bazuje na idei, że zamiast uczyć jedną uniwersalną sieć, lepiej budować składowe bloki wiedzy, które można elastycznie rekombinować - jedna część sieci może specjalizować się w równaniach Naviera-Stokesa, inna w równaniu Schrödingera, a trzecia je łączy w zależności od aktualnego problemu.
Badania wskazują, że ta metodologia przyspiesza proces nauki i zwiększa dokładność predykcji sieci w przypadku nowych, nieznanych wcześniej równań fizycznych. To szczególnie istotne dla zastosowań praktycznych - od modelowania pogody po symulacje molekularne - gdzie nie zawsze można pozwolić sobie na długotrwałe trenowanie od nowa dla każdego konkretnego problemu. Podejście kompozycyjne otwiera drogę do bardziej wszechstronnych, adaptacyjnych systemów AI w naukach przyrodniczych.