Naukowcy opublikowali nową architekturę neuronową o nazwie SNA (Separable Neural Architecture), która radykalnie zmienia sposób rozwiązywania złożonych równań opisujących zjawiska fizyczne. Zamiast tradycyjnego podejścia, SNA łączy neurony z techniką rozkładu tensorowego, gdzie sieć rozkłada się na lokalne funkcje współrzędnych oraz globalne interakcje niskorangowe. To pozornie techniczne rozróżnienie ma duże znaczenie: taka struktura idealnie nadaje się do pracy z równaniami różniczkowymi cząstkowymi (PDE) pojawiającymi się w inżynierii i fizyce.
Teoria stojąca za VSNA (wariacyjna wersja SNA) jest solidna - wykazano, że spełnia klasyczne gwarancje matematyczne stosowane w numeryce: well-posedness (problem ma jedno rozwiązanie), zbieżność i stabilność. Kluczowy przełom to skalowanie: w problemach wielowymiarowych tradycyjne metody rosną wykładniczo, podczas gdy VSNA rośnie algebraicznie. Optymalizacja oparta na rozkładzie tensorowym (ALS) dodatkowo redukuje złożoność do liniowej względem liczby wymiarów - to zmienia praktyczność całego podejścia.
W eksperymentach sieć zwalidowano na różnych typach równań (eliptyczne, hiperboliczne, paraboliczne). Dwie studia inżynierskie pokazały siłę praktyczną: optymalizacja parametrów produkcji w 7 wymiarach oraz analiza materiałów (Inconel 718). VSNA wykonała milion zapytań Monte Carlo w 102 sekundy na zwykłym laptopie, osiągając przyspieszenie ponad 150 tysięcy razy. To oznacza, że zamiast godz dni obliczeń, inżynierowie mogą teraz eksperymentować interaktywnie - rozwiąż raz, pytaj wszędzie.