Naukowcy wprowadzili Implicit Neural Operator Solver (INOS) - neuronowy system zaprojektowany do symulacji dynamicznych systemów fizycznych. Zamiast tradycyjnych solverów numerycznych, INOS wykorzystuje operator neuronowy do przewidywania pól rozwiązań w każdym kroku czasowym, znacznie przyspieszając obliczenia.
System pracuje poprzez pretrenowanie operatora neuronowego na statycznych rozwiązaniach równowagi, a następnie integrację go z metodą Newmarka-beta. W każdym kroku czasowym system formułuje efektywny problem równowagi, pretrenowany operator neuronowy przewiduje pole rozwiązania dla następnego kroku, a relacje Newmarka aktualizują stan dynamiczny. Kluczową zaletą jest brak potrzeby nadzoru na trajektoriach dynamicznych podczas treningu - trenowanie wyłącznie na statycznych danych równowagi okazuje się wystarczające.
Wyniki testów pokazują, że INOS oceniany zero-shot osiąga wyższą dokładność niż baseline'owe neuronowe solvery trenowane na pełnych symulacjach dynamicznych. W symulacjach nieliniowych system zapewnia przyspieszenie ponad 4600x w porównaniu do sekwencyjnych klasycznych solwerów metody elementów skończonych. Dodatkowo INOS naturalnie obsługuje zmiany warunków dynamicznych i umożliwia ponowne wykorzystanie pretrenowanego operatora na różnych dyskretyzacjach przestrzennych i czasowych. Autorzy wykazali również stabilność systemu w milionowych krokach symulacji.