Zespół badaczy zaprezentował SNAP-FM - metodę drastycznie przyspieszającą egzekwowanie ograniczeń fizycznych w generatywnych modelach symulacji. Problem jest fundamentalny: modele generatywne trenowane jako surrogaty symulacji fizycznych nie gwarantują, że ich wyniki będą respektować prawa zachowania energii, pędu czy inne niezmienniki fizyczne. Dotychczasowe rozwiązanie - constrained sampling - wymusza respektowanie ograniczeń dokładnie podczas wnioskowania poprzez iteracyjną projekcję i optymalizację trajektorii, ale proces ten jest obliczeniowo drogi, szczególnie dla ograniczeń nieliniowych.
Kluczową innowacją jest ekspozycja i eksploatacja naturalnej struktury matematycznej, którą indukują lokalne sprzężenia równań różniczkowych cząstkowych. Macierze Jacobiana i systemy KKT mają strukturę blokowo-rzadką, którą badacze odkryli poprzez framework ExaModels.jl. Zastosowanie specjalistycznych solverów - MadNLP.jl i GPU sparse factorization - pozwala efektywnie rozwiązywać te duże systemy nieliniowe w przyspieszony sposób.
Metoda została przetestowana na benchmarkach równań różniczkowych cząstkowych z ograniczeniami liniowymi, nieliniowymi, jedno- i dwuwymiarowymi. SNAP-FM utrzymuje dokładne spełnienie ograniczeń fizycznych przy znacznym przyspieszeniu obliczeniowym. Rezultaty pokazują, że rzadka optymalizacja nieliniowa na GPU to praktyczne podłoże dla solidnych modeli generatywnych w przetwarzaniu zjawisk fizycznych.