COAST: Intelligent Time-Adaptive Neural Operators

要約

因果言語モデル（CLM）フレームワークを活用してタイムステップを動的に適合させる、Adaptive Solver Transformer（Coast）を使用して因果演算子を紹介します。
私たちの方法は、システムの進化とその最適な時間ステップの両方を予測し、計算効率と精度のバランスを実現します。
海岸は、動的システム内および動的システムの両方で、基礎となるシステムの固有性と相関する可変ステップサイズを生成することがわかります。
単一の軌道内では、より複雑な地域ではより小さなステップが取られますが、より単純な領域ではより大きなステップが採用されています。
さまざまなシステムで、より複雑なダイナミクスがより詳細なタイムステップを受け取ります。
さまざまなダイナミクスを備えた多様なシステムでベンチマークされているコーストは、一貫して最先端の方法を上回り、効率と精度の両方で優れたパフォーマンスを達成します。
この作業は、動的システムのスケーラブルな演算子学習のためのCLMベースのインテリジェント適応ソルバーの可能性を強調しています。

要約(オリジナル)

We introduce Causal Operator with Adaptive Solver Transformer (COAST), a novel neural operator learning method that leverages a causal language model (CLM) framework to dynamically adapt time steps. Our method predicts both the evolution of a system and its optimal time step, intelligently balancing computational efficiency and accuracy. We find that COAST generates variable step sizes that correlate with the underlying system intrinsicities, both within and across dynamical systems. Within a single trajectory, smaller steps are taken in regions of high complexity, while larger steps are employed in simpler regions. Across different systems, more complex dynamics receive more granular time steps. Benchmarked on diverse systems with varied dynamics, COAST consistently outperforms state-of-the-art methods, achieving superior performance in both efficiency and accuracy. This work underscores the potential of CLM-based intelligent adaptive solvers for scalable operator learning of dynamical systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google