Nowa metoda equation recast przekształca problem uczenia operatorów parametrycznych w naukę jednego kanonicznego operatora, którego parametryczne warianty są derywowane analytycznie bezpośrednio z równań rządzących procesem. Wariacje parametrów trafiają do efektywnych źródeł, co umożliwia przewidywanie w nowych reżimach parametrów bez konieczności dodatkowych danych treningowych.
Podejście rozwiązuje fundamentalny problem w uczeniu operatorów neuronowych dla równań różniczkowych cząstkowych - tradycyjnie modele wymagały szerokiego pokrycia zarówno funkcji wejściowych jak i parametrów fizycznych. Equation recast wspiera ekstrapolację poza dane treningowe, integruje rzadkie i heterogeniczne zbiory danych w wspólnej reprezentacji kanonicznej, i wykorzystuje utratę zbieżności jako wewnętrzny sygnał ostrzegawczy przed awarią iteracji.
Metoda została przetestowana w realnym scenariuszu na symulacjach tokamaka dla badań fuzji jądrowej. Istotnym wynikiem jest ujednolicenie danych temperatury elektronów pochodzących z czterech różnych geometrii urządzeń - wszystko to działało w ramach jednego wspólnie trenowanego operatora poprzez kanoniczną mapę domenową. Tego typu podejście wskazuje drogę ku ponownie stosowanym neurosilnikom PDE, łączącym przewodnictwo równań, efektywność danych i obserwowalną wiarygodność podczas wnioskowania.